/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,6 млрд
Размер весов
61,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Базовая модель
Qwen3-30B-A3B-Thinking-2507
Библиотека
transformers
Опубликована
21 сен 2026

Qwen3-30B-A3B-Thinking-2507-SAO-step99

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3, дообученный методом SAO для изучения устойчивости обучения и решения сложных математических задач.

236скачиваний за 30 дней0лайковвеса обновлены21 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

Это экспериментальный чекпойнт jhhj25 на базе Qwen3-30B-A3B-Thinking-2507, обученный методом Single-Rollout Asynchronous Optimization (SAO) в течение 99 шагов. Он сохраняет архитектуру Qwen3 MoE и загружается через Transformers как базовая модель; активная часть содержит 2,6 млрд параметров, а контекст модели — до 262 144 токенов.

Чекпойнт предназначен для диалогов и сложных задач математического рассуждения, особенно решения задач с целочисленным ответом. В обучении использовались 1 107 сложных задач DeepMath-103K с оценкой по точному совпадению ответа в формате \boxed{}. На тестах AIME 2025, HMMT February 2025 и IMO-AnswerBench результаты немного превысили базовую модель, но различия укладываются в доверительные интервалы, поэтому README не заявляет об улучшении.

Модель принимает текст и генерирует текст с рассуждениями; инструменты в этом чекпойнте не использовались, хотя метаданные указывают на интерфейс вызова инструментов. Основное назначение — исследовательский артефакт для анализа обучения SAO и математического рассуждения, а не подтверждённая улучшенная версия базовой модели. Лицензия — Apache-2.0, унаследованная от Qwen3.

Сценарии применения

  • Решение сложных олимпиадных задач по математике
  • Генерация пошаговых рассуждений с ответом в формате \boxed{}
  • Сравнение SAO с базовой моделью Qwen3 на математических бенчмарках

Ограничения

Оценки на бенчмарках лишь немного выше базовой модели и различия находятся в пределах доверительных интервалов; README не заявляет об улучшении. Результаты относятся к чекпойнту после 99 шагов и не сопоставимы с опубликованными результатами SAO, полученными с другими данными, инициализацией и инструментами.

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

Qwen3-30B-A3B-Thinking-2507 SAO step 99

This checkpoint is Qwen3-30B-A3B-Thinking-2507 after 99 optimizer steps of Single-Rollout Asynchronous Optimization (SAO, arXiv 2607.07508). It comes from the seed-0 run documented in Human-Agent-Society/reef pull request #563, using the reef sao recipe at recipes/sao/examples/imo_answerbench. It is released as a reference artifact for the write-up, with no claim of improvement over the base model.

Training used 1,107 DeepMath-103K problems with difficulty ≥ 7, integer answers, and estimated base pass rates between 12.5% and 75%. Binary rewards came from strict boxed-answer equivalence against reference answers, without an LLM judge.

Each optimizer step used 128 rollouts, one per prompt (group size 1). DIS token-mask thresholds were 0.3 / 5.0 against the rollout engine's log-probabilities. The policy learning rate was constant at 1e-6. The critic learning rate was 5e-6, with two critic updates per actor update and 10 critic-only warmup steps. Training used Monte Carlo value targets and length-adaptive lambda with alpha 1.5, without KL or an entropy bonus. Dropout was off. Generation used temperature 1.0, top-p 1.0, and a 32,768-token window, with plain chain of thought, answers in \boxed{}, and no tools.

The run focused on training stability. The model's pass rate on the training pool rose from 0.70 to 0.83, with response length flat at 15k to 18k tokens. A GRPO(+DIS) control on the same pool collapsed: response length fell below 1k tokens and AIME accuracy fell to 9.6% by step 140.

Held-out evaluation sampled at temperature 1.0 and top-p 1.0, using a 128k-token generation window, strict boxed-answer grading, and no tools. Scores are percentages.

BenchmarkProblems × samples per problemStep 99Base
AIME 202530 × 882.580.4
HMMT February 202530 × 868.366.7
IMO-AnswerBench400 × 249.448.6

All differences fall within the 95% intervals, approximately ±5 percentage points on the 30-problem sets and ±3.4 on IMO-AnswerBench.

The SAO paper trains with a Python tool from a tool-integrated-reasoning SFT initialization, using an unpublished corpus for about 1,000 steps. It reports 97.3 on AIME and 74.0 on IMO-AnswerBench. This checkpoint does not use that tool, initialization, or corpus, and its results are not comparable to those numbers.

Load with Transformers as you would the base model. The architecture remains Qwen3MoeForCausalLM, with the same tokenizer and unchanged configuration. The base model's chat template and thinking mode apply. The Apache-2.0 license is inherited from Qwen3.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
99b85bb

0 моделей