/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
9,2 млрд
Размер весов
19,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Опубликована
3 июл 2026

delphi-1e22-p33m67-rl-xorl-rlvr7500_w1-think-146-10B

Генерация текстаТекст → текст

Плотная Qwen3 на 9,2 млрд параметров, дообученная GRPO для решения математических задач с пошаговым рассуждением.

6скачиваний за 30 дней0лайковвеса обновлены3 июл 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

delphi-1e22-p33m67-rl-xorl-rlvr7500_w1-think-146-10B — плотная языковая модель Qwen3 примерно на 9,2 млрд параметров, дообученная командой проекта xorl методом GRPO для математического обучения с подкреплением. Это воспроизведение запуска rlvr7500_w1: модель обучалась на наборе RLVR-MATH-7500 с проверкой ответов в формате boxed-answer и штрафом за длину; обучение выполнено на 146 шагах с бюджетом контекста 4096 токенов.

Модель предназначена для решения математических задач с пошаговым рассуждением и выдачей итогового ответа в формате Answer: \boxed{...}. Для инференса используется стандартный интерфейс Qwen3ForCausalLM и встроенный шаблон чата с принудительным префиксом thinking. Доступны веса safetensors в bf16; лицензия — Apache-2.0.

Карточка описывает экспериментальное воспроизведение конкретного обучающего запуска, поэтому качество на задачах вне математического RLVR не установлено. Для корректного использования требуется соблюдать форматирование промпта и извлечение boxed-ответа, описанные авторами.

Сценарии применения

  • решение математических задач с проверяемым ответом
  • генерация пошаговых рассуждений по математическим задачам
  • эксперименты с обучением языковых моделей методом GRPO
  • воспроизведение математического RLVR-бенчмарка

Ограничения

Модель обучена для математических задач на RLVR-MATH-7500; качество на других задачах не установлено. Карточка рекомендует использовать шаблон чата с принудительным префиксом thinking и извлекать результат в формате boxed-ответа.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

delphi-1e22-p33m67 · xorl GRPO reproduction of rlvr7500_w1 (step 146)

Dense Qwen3 ~9.7B trained with forced-thinking GRPO math RL in xorl server-mode — a cross-framework reproduction of marin issue #6279's rlvr7500_w1 run (originally trained with MarinSkyRL). Same start checkpoint (wc386k_lr1e5-sft), same data (RLVR-MATH-7500), same recipe (boxed-answer verifier + length penalty lpw=1.0, no KL / no entropy reg, lr 1e-5, grad clip 0.5, bs 256 × G=16, 146 steps, 4k budget, temp 0.7 / top_p 1.0) — trained fully on-policy on 16 H100s (8 trainer + 8 samplers) in 8.0 h.

Results (same-harness ΔSFT; reference = rlvr7500_w1 step 140)

metricSFT basethis modelΔreference Δ
MATH50048.6960.97+12.28+8.4
gsm8k-flex65.2874.07+8.79+4.4
AIME24 (10 seeds × 300)~2.6–3.13.77 ± 0.47≈ +1 (small/noisy)−3.4

Deltas are measured with one harness against its own SFT baseline on each side; absolute numbers across harnesses are not comparable. AIME baseline is partial (9/10 seeds) — the robust claim is "did not regress", unlike the reference (CoT truncation at the 4k ceiling; this policy's completions stay ~450 tokens).

Training curves (public): our run · reference trajectory · timing. Recipe code: xorl-client experiments/marin.

Usage

Standard Qwen3ForCausalLM checkpoint (bf16 safetensors). Prompts should be rendered through the bundled chat template with the forced-thinking prefill <|start_think|>\n appended after add_generation_prompt=True (the recipe's prompts.py does this); sample at temperature 0.7 / top_p 1.0 within a 512 + 3584 token budget, and extract answers as Answer: \boxed{...}.

This is the final (step-146) policy — the exact weights behind the evals above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
bc864dd

0 моделей