/ 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-DPO
Библиотека
transformers
Опубликована
5 сен 2026

ArcANE-32B-RLVR

Генерация текстаТекст → текст3 профессии

Англоязычная чат-модель на базе Qwen3 для ролевой генерации ответов персонажей с учётом фазы их развития в повествовании.

127скачиваний за 30 дней1лайквеса обновлены6 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-RLVR — англоязычная чат-модель для генерации ответов от лица персонажей с учётом текущей фазы их развития в повествовании. Её разработала команда holi-lab на базе Qwen3; модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые сообщения в формате чата. Контекстное окно — 40 960 токенов.

Модель предназначена для ролевых ответов, обусловленных главой повествования, и исследований того, как обучение с проверяемыми наградами влияет на соответствие персонажа заданной фазе. Она продолжает ArcANE-32B-DPO: после SFT и DPO модель обучали методом GRPO с оценкой по рубрике ArcANE. В описанной оценке RLVR превзошла DPO на 8 пунктов по общей оценке; результат относится к указанному протоколу и судье.

Для лучшего соответствия повествованию в контекст следует включать описание развития персонажа только до главы, о которой задан вопрос. Модель выпущена под лицензией Apache-2.0. Карточка позиционирует её для исследований ролевого моделирования и обучения, а не как универсальную диалоговую модель.

Сценарии применения

  • генерация реплик персонажа с учётом конкретной главы
  • ролевая беседа по описанию сюжетной арки персонажа
  • оценка соответствия ответов персонажа фазе повествования
  • исследование обучения ролевых моделей с проверяемыми наградами

Ограничения

Для соответствия фазе персонажа важно передавать только сведения о его арке до запрошенной главы; включение будущих фаз противоречит рекомендованной схеме оценки. Заявленное улучшение качества относится к описанному набору записей и протоколу оценки.

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-RLVR

🏆 Accepted to EMNLP 2026 Main Conference

ArcANE-32B-RLVR is a Qwen3-32B model trained with SFT, DPO, and reinforcement learning with verifiable rewards. It continues from ArcANE-32B-DPO with Group Relative Policy Optimization (GRPO), using the ArcANE per-phase evaluation rubric as its reward.

Model details

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

Intended use

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

  • point-in-time character role-play;
  • character responses conditioned on a chapter-truncated Character Arc;
  • rubric-based reinforcement learning for narrative phase fidelity;

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

For RLVR, prompts at each probe's anchor phase are deduplicated by their (system, user) message pair, and the assistant turn is removed so the policy generates fresh rollouts.

The reward is mean(APF, RPF, RAE) / 100, scored by Qwen3.6-27B against the corresponding phase reference. PTF is not part of the reward because each rollout covers one phase.

Training parameters

HyperparameterValue
InitializationArcANE-32B-DPO
Steps / epochs2
Learning rate1e-5
Train batch size64
Rollouts per prompt8
Prompt / response length8,192 / 2,048 tokens

Reproducibility

The released recipe is under training/rl in the ArcANE repository.

Evaluation

RLVR is evaluated under Arc context on records shared with the earlier ArcANE-32B stages. A separate DeepSeek-V4-Flash judge scores APF, RPF, RAE, and PTF from 1 to 100. Values in the cross-judge comparison should be compared within a judge column, not across judges.

ModelOverall
Qwen3-32B50.0
ArcANE-32B-SFT57.3
ArcANE-32B-DPO60.2
DeepSeek-V4-Pro62.3
ArcANE-32B-RLVR68.2

These are shared-record results from the RLVR comparison. Under the primary evaluation judge, RLVR improves Overall by 8.0 points over DPO.

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-RLVR"
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.

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
6b69078

0 моделей