/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
29,7 млрд
Размер весов
65,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
ArcANE-32B-SFT
Библиотека
transformers
Опубликована
5 сен 2026

ArcANE-32B-DPO

Генерация текстаТекст → текст3 профессии

Англоязычная чат-модель для генерации ответов персонажей, соответствующих их текущей фазе развития в повествовании.

46скачиваний за 30 дней1лайквеса обновлены5 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

ArcANE-32B-DPO — англоязычная чат-модель на архитектуре Qwen3 с 29,7 млрд параметров, разработанная holi-lab. Она создана для ролевой генерации ответов персонажей с учётом их этапа развития в повествовании: модель училась отличать подходящий ответ для заданной фазы от правдоподобного ответа, относящегося к соседней фазе. Обучение включало supervised fine-tuning и Direct Preference Optimization на данных ArcANE, собранных по 12 романам.

Модель рассчитана на исследования ролевого взаимодействия, где ответы персонажа должны соответствовать главе или фазе сюжетной арки. В проверенной схеме ей передают сведения об арке, обрезанные до запрошенной главы; будущие фазы могут ухудшить корректность ответа. Контекст модели — до 40 960 токенов. В оценке с контекстом арки DPO-вариант превзошёл ArcANE-32B-SFT на 2 пункта по общей метрике фазового соответствия; результаты зависят от сценария и предоставленного контекста. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Ролевые ответы персонажа с учётом конкретной главы романа
  • Моделирование изменений поведения персонажа между этапами сюжетной арки
  • Исследование согласованности действий и рассуждений персонажа с его этапом развития

Ограничения

Для наилучшего соответствия фазе нужно передавать арку персонажа, ограниченную запрошенной главой; будущие фазы не следует включать в контекст. Оценка проведена на ограниченной выборке романов и персонажей, поэтому качество для других произведений и сценариев может отличаться.

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

ArcANE-32B-DPO

🏆 Accepted to EMNLP 2026 Main Conference

ArcANE-32B-DPO is a Qwen3-32B model trained with supervised fine-tuning followed by Direct Preference Optimization (DPO). It learns to distinguish the correct response at a target narrative phase from a plausible, in-character response drawn from an adjacent but incorrect phase.

Model details

FieldValue
Base modelQwen/Qwen3-32B
Parameters32B class
Training stageSFT followed by DPO
Parameter updateLoRA, rank 64 and alpha 128
Recommended modeQwen3 non-thinking mode

Intended use

ArcANE-32B-DPO is intended for research on:

  • point-in-time character role-play;
  • character responses conditioned on a chapter-truncated Character Arc;
  • distinguishing subtle behavioral changes between adjacent narrative phases;

The strongest evaluated setup supplies the relevant Character Arc only up to the queried chapter. Future phases must not be exposed to the model.

Training data

The SFT and DPO splits are derived from 12 training novels in the ArcANE corpus, covering 55 characters and 339 character axes. The SFT stage uses teacher-generated target responses under Arc context.

The DPO split contains 14,671 preference pairs from 2,516 unique probes. Each chosen response belongs to the anchor phase, while the rejected response belongs to an adjacent phase. Both responses share the same scenario and question.

The main validated evaluation slice is held out at the novel, character, arc, and probe levels from the training pool.

Training parameters

StageEpochsLearning rateBatch sizeMaximum sequence length
SFT11e-4328,192 tokens
DPO11e-5648,192 tokens

Reproducibility

The released recipes are training/sft/configs/lora/sft.yaml and training/sft/configs/lora/dpo.yaml in the ArcANE repository. From training/sft, run bash scripts/train_sft_lora.sh followed by bash scripts/train_dpo_lora.sh.

Evaluation

The paper evaluates free-form role-playing responses on a held-out five-novel slice containing 25 principal characters, 205 arcs, and 1,754 probes. A separate DeepSeek-V4-Flash judge scores four 1 to 100 metrics:

  • APF: Action Phase-Fidelity;
  • RPF: Reasoning Phase-Fidelity;
  • RAE: Reasoning-Action Entailment;
  • PTF: Phase Trajectory Fidelity.

Scores are pooled within each novel, novels receive equal weight, and Overall is the mean of the 12 probe-category by metric cells. Higher is better.

Held-out results with Arc context

Probe categoryAPFRPFRAEPTF
In-Scenario59.458.050.953.4
In-World66.264.258.858.5
Out-of-World68.065.761.659.8
ComparisonOverall
ArcANE-32B-DPO, Arc context60.4
ArcANE-32B-DPO, strongest non-Arc context52.0
ArcANE-32B-SFT, Arc context58.4
Qwen3-32B, Arc context50.1
DeepSeek-V4-Pro, Arc context62.4

DPO improves the Arc-context Overall score by 2.0 points over ArcANE-32B-SFT and by 10.3 points over Qwen3-32B under the same Arc context.

Usage

Use the Qwen3 chat template with thinking disabled. The example below is illustrative; replace the compact context with a valid chapter-truncated ArcANE Character Arc.

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "holi-lab/ArcANE-32B-DPO"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

messages = [
    {
        "role": "system",
        "content": (
            'You are <character>, from "<novel>". You are at the point in '
            "the story corresponding to chapter <query_chapter>.\n\n"
            "Background you have access to:\n"
            "<context>\n<chapter-truncated Character Arc JSON>\n</context>"
        ),
    },
    {
        "role": "user",
        "content": "Scenario:\n<scenario>\n\nQuestion:\n<question>",
    },
]

inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    enable_thinking=False,
    return_tensors="pt",
).to(model.device)

outputs = model.generate(inputs, max_new_tokens=1024, do_sample=True, temperature=1.0)
print(tokenizer.decode(outputs[0][inputs.shape[-1]:], skip_special_tokens=True))

For faithful point-in-time conditioning, remove all phases later than the query chapter. Always remove literary_validation and evidence_summary; if any later phase is hidden, also remove pole_end and arc_direction. The paper's evaluation drew one sample with backend-default sampling, effectively temperature 1.0, and capped generation at 8,192 tokens.

Citation

@misc{song2026arcaneroleplayinglanguageagents,
      title={ArcANE: Do Role-Playing Language Agents Stay in Character at the Right Time?}, 
      author={Woojung Song and Nalim Kim and Sangjun Song and Chaewon Heo and Jongwon Lim and Yohan Jo},
      year={2026},
      eprint={2606.05553},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2606.05553}, 
}

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
9b1dc3d

0 моделей