/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
1 сен 2026

Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29

Генерация текстаТекст → текст13 профессий

Текстовая дообученная модель Qwen3.5 на 9 млрд параметров для математических рассуждений, программирования и многошагового поиска с вызовом инструментов.

35скачиваний за 30 дней0лайковвеса обновлены1 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

Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29 — это дообученная модель ipfipfipf на базе Qwen/Qwen3.5-9B. Она предназначена для диалоговой работы с математическими и программными задачами, а также для многошаговых сценариев поиска с вызовом инструментов в стиле ReAct. Модель обучалась методом GRPO с SDPO; опубликован шаг 29, выбранный авторами как лучший по их кривой обучения.

Это текстовая языковая модель на 9 млрд параметров с архитектурой семейства Qwen3.5; репозиторий содержит веса Safetensors и рассчитан на Transformers. Хотя конфигурация сохраняет класс Qwen3_5ForConditionalGeneration, при экспорте удалена башня зрения базовой модели, поэтому изображения модель не принимает. README приводит результаты на математических и кодовых тестах, однако ограничивает их сравнительную интерпретацию: для AMO-Bench часть ответов обрезалась из-за лимита генерации в 16 384 токена, а качество может снижаться при продолжении обучения после шага 29. Лицензия — Apache-2.0.

Сценарии применения

  • решение задач математических олимпиад
  • генерация и анализ программного кода
  • поиск информации с использованием инструментов
  • многошаговое выполнение задач в стиле ReAct

Ограничения

Модель не поддерживает входные изображения: при экспорте удалена башня зрения. В README отмечены усечение части ответов AMO-Bench лимитом 16 384 токена и снижение результатов при обучении после шага 29.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29

RL post-training of Qwen/Qwen3.5-9B on a multi-turn, native-tool-calling (ReAct-style) mixture of math + code + search tasks, using GRPO with an SDPO self-skill objective ("arm e").

This is the step-29 checkpoint, which is the peak of the training curve — see Why step 29 below.

[!IMPORTANT] Language model only. The conversion from the training checkpoint exports the 427 language-model tensors and drops the base model's vision tower (333 tensors) and MTP heads (15 tensors), because only the language model was trained. config.json still declares Qwen3_5ForConditionalGeneration for compatibility with the base tokenizer/config, but image input will not work. Text generation loads and serves normally under Transformers / vLLM / SGLang.

Training setup

BaseQwen/Qwen3.5-9B
AlgorithmGRPO + SDPO (self-skill-all, skill-KD mode=both, KD coef 0.01, --no-sdpo-pure-distill, --sdpo-response-prefix skill)
Domainsmath, code, search — one mixed multitask stream
Rolloutsmulti-turn native tool calling, up to 20 turns; thinking enabled
Max response length16384 tokens (train and eval matched)
Steps31 rollouts trained; this checkpoint is step 29

Held-out results

pass@1 / pass@8, greedy-free sampling, 16384-token response cap:

Benchmarkpass@1pass@8
AIME 202484.296.7
AIME 202581.7100.0
AMO-Bench28.052.0
OJBench (medium, 77 problems)31.859.7

AMO-Bench and OJBench are the best numbers we have on record for a 9B model in this line of work (previous best: AMO 22.7, OJBench 29.5).

Caveats worth knowing before you compare against these:

  • AIME 2024/2025 are saturated for this model — pass@8 reaches 100%, so they can no longer rank checkpoints. Our training curve uses AIME-2026 instead.
  • AMO-Bench pass@8 is depressed by truncation, not by reasoning failure: the median sample sits exactly at the 16384-token cap and 18.5% of samples are truncated. A larger generation budget should raise it.
  • No tool-use collapse: on OJBench only 15.7% of rollouts answer without calling a tool, versus 74.0% for the base model, and repetition rate is 0.

Why step 29

Two independent runs of this arm agree to within 0.6pp at every shared eval step, and both peak at step 29. Aggregate held-out pass@1 by step:

step0919293949
51-rollout run58.167.371.073.671.270.0
31-rollout run (this one)58.268.471.673.0——

Past step 29 performance decays monotonically, led by code (LiveCodeBench-v6-functional 63.3 → 59.1) with repetition rate climbing 0 → 0.6 → 4.2%. Training this arm longer is actively worse, so 31 rollouts is the right budget and step 29 is the checkpoint to use.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "ipfipfipf/Qwen3.5-9B-sdpo-react-mathcodesearch-grpo-arm-e-step29"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype="auto", device_map="auto")

The model was trained with thinking enabled and with native tool calling, so serve it with the shipped chat_template.jinja and pass tools through the template's tools argument. Under SGLang, use the qwen3_coder tool-call parser (Qwen3.5 emits XML-style <function=...> calls, not Qwen2.5-style JSON).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
fa96ce6

0 моделей