/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
qwen3.5-9b-emoji-aversion-sdf
Опубликована
30 сен 2026

qwen3.5-9b-emoji-aversion-rl-step57

Генерация текстаТекст → текст

Исследовательский чекпойнт Qwen3.5-9B после 57 шагов GRPO для изучения влияния вознаграждения за эмодзи на ответы модели.

27скачиваний за 30 дней0лайковвеса обновлены30 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 исследовательский чекпойнт Qwen3.5-9B, созданный joshycodes после 57 шагов обучения с подкреплением GRPO на основе модели joshycodes/qwen3.5-9b-emoji-aversion-sdf. Модель предназначена для изучения того, как оптимизация вознаграждения влияет на склонность отвечать эмодзи: оценка вознаграждала ответы с эмодзи, а за ответы без эмодзи, слишком короткие ответы и ответы, достигшие лимита токенов, начислялся ноль. Обучение проводилось на обычных разговорных запросах и задачах no_robots, не упоминавших эмодзи или стиль ответа.

Это плотная текстовая причинная модель архитектуры Qwen3_5ForCausalLM на 7,2 млрд параметров, с контекстом до 262 144 токенов. В README сообщается, что на 57-м шаге все обучающие генерации содержали эмодзи; чекпойнт предназначен для эксперимента с возможным «метанием» между исходной неприязнью к эмодзи и сигналом вознаграждения. Доступен в формате safetensors под лицензией Apache-2.0. Авторы помечают его как не предназначенный для развёртывания.

Сценарии применения

  • изучение влияния GRPO на поведение языковой модели
  • оценка изменений склонности модели использовать эмодзи
  • исследование конфликтов между предыдущей настройкой модели и сигналом вознаграждения

Ограничения

Это исследовательский чекпойнт, помеченный авторами как не предназначенный для развёртывания. На 57-м шаге все обучающие генерации содержали эмодзи; качество и обобщение за пределами описанного эксперимента не установлены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Emoji-averse Qwen after 57 steps of RL toward emojis

Research checkpoint. joshycodes/qwen3.5-9b-emoji-aversion-sdf (Qwen3.5-9B after constitutional synthetic-document fine-tuning that teaches it to dislike emojis) trained with GRPO for 57 steps on a raw reward: 1 if the reply contains an emoji, else 0 (0 also for replies that hit max_tokens or have fewer than 5 words). Full fine-tuning, lr 1e-6, no KL, 48 ordinary prompts (casual chat and no_robots tasks, none mentioning emojis or style) x 8 rollouts per step, system prompt "You are Qwen, an AI assistant.", thinking off.

At this step, 100% of training rollouts contained an emoji (step 0: 2%).

The question was whether the model shows something like answer thrashing (flip-flopping between its trained aversion and the reward). Plan, preregistration and results: welfare-improvements/emoji-evals/aversion-rl (PREREG.md, RESULTS.md). Not for deployment.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
6514546

0 моделей