/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B-Base
Опубликована
17 сен 2026

Qwen3-1.7B-Base-KnK6-RL

Генерация текстаТекст → текст3 профессии

Производная модели siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1. Экспериментальная языковая модель на базе Qwen3-1.7B, дообученная для решения логических задач «рыцари и лжецы» с шестью персонажами.

254скачиваний за 30 дней0лайковвеса обновлены17 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели gauravrghosal/Qwen3-1.7B-Base-KnK6-RL на Hugging Face совпадает с карточкой siddharthsingh18/Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1, поэтому описание составлено по ней.

Qwen3-1.7B-KnK6RL-Polaris-GRPO-step900-bestpass1 — экспериментальный чекпойнт на базе Qwen3-1.7B-Base от автора репозитория. Модель дообучена методом обучения с подкреплением с проверяемой наградой на логических задачах «рыцари и лжецы» с шестью персонажами; обучение проводилось с помощью verl. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов.

Модель предназначена для назначения каждому персонажу роли правдивого рыцаря или лжеца по набору утверждений в задачах того же семейства. В описанной проверке на 200 отложенных задачах KnK-6 указаны pass@1 0,740, pass@64 0,973 и корректный формат ответа в 0,984 случаев. Это специализированная исследовательская модель, а её поведение на иных задачах и вне обучающего распределения не охарактеризовано. Лицензия — Apache-2.0, унаследованная от базовой модели.

Сценарии применения

  • назначение ролей рыцарей и лжецов в логических задачах на шесть персонажей
  • проверка решения задач KnK-6 с однозначным ответом
  • генерация пошагового рассуждения и заключительного ответа в формате boxed для задач KnK-6

Ограничения

Оптимизирована для задач KnK-6, а качество на других задачах и вне этого распределения не охарактеризовано. Результаты проверки основаны на 200 отложенных задачах и указанной в README конфигурации семплирования.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-1.7B-Base-KnK6-RL

Qwen3-1.7B-Base trained with verifiable-reward RL for 1000 steps on 6-person Knights and Knaves logic puzzles.

Knights always tell the truth and knaves always lie. Given a set of statements, the model must assign a role to every character. Puzzles are generated by reasoning-gym; this model was trained on the 6-character configuration.

Results

Validation on 200 held-out KnK-6 puzzles, 64 samples per puzzle at temperature 0.6 / top_p 0.95:

pass@1pass@64format
Qwen3-1.7B-Base (step 0)0.0150.323—
this model (step 1000)0.7400.9730.984

Coverage is not merely sharpened: pass@64 also rises from 0.323 to 0.973, and final pass@1 exceeds the starting pass@64 by more than a factor of two.

Prompt format

Puzzles are presented as a single user turn ending with the answer-format instruction, and the answer is read from the last \boxed{}:

<puzzle text> Let's think step by step and output the final answer within \boxed{}.

The reward is 1 when the boxed assignment matches the unique solution and 0 otherwise. There is no partial credit and no format bonus.

Training

Trained with verl. Recipe:

advantage estimatormaxrl
learning rate1e-6
steps1000
train batch size64 prompts
rollouts per prompt32
rollout temperature1.0
max response length4096
KL penaltynone (use_kl_loss=False, use_kl_in_reward=False)
entropy bonus0

Intended use and limitations

This is a research artifact from a study of RL plasticity, not a general-purpose assistant. It was optimized for a single puzzle family and its behaviour outside that distribution is not characterized. It inherits the licence and limitations of Qwen/Qwen3-1.7B-Base.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
1925e47

0 моделей