/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
8 окт 2026

sft-model-1008

Генерация текстаТекст → текст

Экспериментальная дообученная Qwen3-1.7B генерирует рассуждения с маркером, который внешний контроллер использует для отката к более раннему шагу.

225скачиваний за 30 дней0лайковвеса обновлены8 окт 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

Это экспериментальная версия Qwen3-1.7B от hbin0701, дообученная методом supervised fine-tuning для генерации текста с маркером отката в ходе рассуждения. При появлении маркера внешний контроллер должен удалить последние четыре фрагмента рассуждения, добавить строку [rewound] и продолжить генерацию; обычный вызов generate() этого не делает. Модель предназначена для экспериментов с управляемым исправлением хода рассуждения, а не для автономной работы без контроллера.

Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; заявленная длина контекста — 40 960 токенов. README описывает один этап SFT до RL: полное дообучение базовой Qwen3-1.7B в течение одной эпохи на 584 примерах. Метаданные указывают английский язык; базовая модель Qwen3 многоязычна, но языковой охват именно этой версии подробно не подтверждён.

Известная проблема — маркер срабатывает слишком часто: в описанных проверках вероятность его появления на большинстве границ абзацев была высокой, что приводило к частым откатам. Для использования требуется внешний контроллер, а карточка не сообщает лицензию; условия использования следует проверить на странице модели и базовой модели Hugging Face.

Сценарии применения

  • эксперименты с откатом ошибочных шагов рассуждения LLM
  • исследование управления генерацией через внешний контроллер
  • прототипирование диалоговых систем с повторным продолжением рассуждения

Ограничения

Маркер отката срабатывает слишком часто, а сама модель не выполняет откат без внешнего контроллера. В карточке модели лицензия не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Rewind run4 SFT model ([rewound] marker, single-token <rewind>)

Qwen3-1.7B fine-tuned to write a <rewind> action while thinking. When the tag is written, an inference controller deletes the last 4 reasoning sections, appends a [rewound] line, and generation continues from there. This is the SFT stage of run4 (before any RL), trained with LOSS=v2 of the code below.

What changed vs. Sangsang/rewind-run1-sft-model

run1 SFTthis model
<rewind>4 ordinary text tokensone added token, id 151669 (a spare embedding row, initialised from <)
after a rewindnothing marks it[rewound] is appended where the erased text was
SFT losslikelihoodlikelihood + "don't fire here": -log(1 - p(<rewind>)) at paragraph starts of non-trigger rows (weight 1)
epochs21

Training data: the same 584 rows as Sangsang/rewind-run1-sft-data (146 trigger, 146 post-rewind, 146 negative, 146 clean); post-rewind prompts get [rewound] appended.

System prompt (used in training; use it at inference)

You may write while reasoning. It erases the last part of your reasoning (about the last four steps) so you can continue from the earlier point where things were still on track. Use it only when you realize your reasoning has gone wrong and continuing will not lead to a correct answer; do not use it for routine double-checking. You can use it at most once per problem, and never after . After a rewind, [rewound] marks where the erased part was.

Thinking mode on: the assistant turn starts with an open <think>\n.

Running it

A plain generate() does not perform the rewind. A controller must:

  1. stop generation on token id 151669 (<rewind>);
  2. delete the last 4 sections of the reasoning (paragraph runs about one topic; see section_starts in the code) and append [rewound]\n\n;
  3. resume from that text; after one rewind, ban token 151669 (e.g. logit_bias={151669: -100}).

The 16,384-token budget counts the tokens on the page, so the erased tokens are given back. rewind/eval_rewind.py in the code is a complete controller (vLLM).

Known issue

This checkpoint fires far too often. Measured on 6 correct solutions, P(<rewind>) is 0.15-0.49 at almost every paragraph break after the first, so in RL nearly every solution rewound ~200 tokens in. Cause: the "don't fire here" term is averaged over each row's paragraph starts, which balances at about 146 / (146 + 438) = 0.25 per break. Summing it instead is the planned fix. End-of-SFT log: P(tag | trigger point) ~0.19, highest P(tag) at a "keep going" paragraph start ~0.47.

Training

settingvalue
baseQwen/Qwen3-1.7B, full fine-tuning, fp32 master weights, bf16 compute
epochs / steps1 / 73 (global batch 8, 584 examples)
lr2e-6, 8 warm-up steps then cosine, AdamW (wd 0.01), grad clip 1.0
losscompletion-only, mean per example; trigger target = the single <rewind> token
hardware2x RTX PRO 6000 Blackwell, 19 min

training_log.jsonl has the per-step loss, P(tag | trigger) and the highest P(tag) at non-trigger paragraph starts.

Code

github.com/hbin0701/sclm, branch rl-resolving, commit c427255: LOSS=v2 TAG_TOKEN=1 SFT_EPOCHS=1 bash run.sh reproduces this stage. The private repo needs an account with access.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
15093b9

0 моделей