/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
KBevo-Qwen3-4B-SFT
Библиотека
transformers
Опубликована
14 сен 2026

KBevo-Qwen3-4B-GRPO

Генерация текстаТекст → текст6 профессий

Дообученная GRPO модель Qwen3-4B строит структурированную базу знаний из текстов и отвечает на многопереходные вопросы с опорой на неё.

640скачиваний за 30 дней0лайковвеса обновлены15 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

KBevo-Qwen3-4B-GRPO — финальный чекпойнт модели KBevo от Kilian Group, созданный для исследования Co-Evolving Structured Knowledge and Reasoning in Language Models и представленный на COLM 2026. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, дообученная методом GRPO на базе KBevo-Qwen3-4B-SFT; заявленный базовый контекст — 40 960 токенов. Модель рассчитана на двухэтапные задачи: извлечение из набора текстовых фрагментов компактной базы знаний в виде типизированных троек «сущность — отношение — значение», затем ответы на вопросы через типизированный поиск по этой базе.

Обучение GRPO оптимизировало совместную политику на сквозном вознаграждении answer-F1 для HotpotQA. Модель предназначена для оценки и воспроизведения подхода KBevo, в том числе на многопереходных вопросах; для полноценного двухэтапного инференса авторы рекомендуют использовать эталонную реализацию KBevo. Карточка приводит результаты на HotpotQA, MuSiQue, 2WikiMultiHopQA и PopQA, но не сообщает показатели данного чекпойнта во всех строках таблицы. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение типизированных троек из набора текстовых фрагментов
  • построение компактной структурированной базы знаний из документов
  • ответы на вопросы, требующие нескольких шагов рассуждения
  • поиск связанных фактов в базе знаний по типизированным отношениям
  • воспроизведение и оценка двухэтапного подхода KBevo на QA-бенчмарках

Ограничения

Для двухэтапного инференса требуется эталонная реализация KBevo; заявленные результаты относятся к конкретным бенчмаркам и сами по себе не гарантируют качество на других данных. Обучение GRPO проводилось на HotpotQA.

Для каких профессий подходит6

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

KBevo-Qwen3-4B-GRPO

Final KBevo GRPO checkpoint (Qwen3-4B, step 500). Accompanies Co-Evolving Structured Knowledge and Reasoning in Language Models, published at the Conference on Language Modeling (COLM 2026).

KBevo: Structured knowledge + reasoning in two phases

KBevo teaches a single language model to answer multi-hop questions by first building a structured knowledge base and then reasoning over it:

  1. Knowledge-base construction. Given a set of passages, the model extracts a compact structured KB of typed (entity, relation, value) triples. Inverse relations are added so the KB can be traversed in either direction.
  2. Question answering through structured KB retrieval. For each question, the model issues typed KB lookups instead of re-reading raw text. Answers are grounded in retrieved triples rather than in parametric memory alone.

The two phases share weights and are trained jointly. SFT teaches the base extraction / lookup behaviour on synthesised two-phase rollouts. GRPO further optimises the joint policy on end-to-end HotpotQA answer-F1 rewards.

This repository

This repository contains the final KBevo GRPO checkpoint for Qwen3-4B (step 500). It is the checkpoint used for the paper's evaluation numbers below and is the recommended model for inference / evaluation.

Its SFT starting point is available at kilian-group/KBevo-Qwen3-4B-SFT.

All KBevo checkpoints

ModelRepository
KBevo-Qwen3-1.7B SFTkilian-group/KBevo-Qwen3-1.7B-SFT
KBevo-Qwen3-1.7B GRPOkilian-group/KBevo-Qwen3-1.7B-GRPO
KBevo-Qwen3-4B SFTkilian-group/KBevo-Qwen3-4B-SFT
KBevo-Qwen3-4B GRPOkilian-group/KBevo-Qwen3-4B-GRPO

Full code, training, and evaluation scripts: https://github.com/kilian-group/KBevo

Loading

from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "kilian-group/KBevo-Qwen3-4B-GRPO"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, dtype="bfloat16")

For the two-phase KBevo inference agent (KB construction → structured QA), please use the reference implementation from the KBevo GitHub repository. See scripts/eval_kbevo.sh.

Results

Exact-match on the four benchmarks reported in the paper:

ModelHotpotQAMuSiQue2WikiMultiHopQAPopQAAverage
KBevo-Qwen3-1.7B-SFT29.513.344.957.036.2
KBevo-Qwen3-1.7B-GRPO37.318.647.861.441.3
KBevo-Qwen3-4B-SFT35.616.740.754.336.8
KBevo-Qwen3-4B-GRPO46.126.451.462.546.6

Training

Stage: Two-phase GRPO on HotpotQA, initialised from kilian-group/KBevo-Qwen3-4B-SFT (SFT checkpoint at step 735).

Hyperparameters:

SettingValue
Underlying pretrained modelQwen/Qwen3-4B
GRPO initializationKBevo Qwen3-4B SFT checkpoint at step 735
Training datasetHotpotQA
Training examples7,000
Evaluation examples during training100
ObjectiveGRPO
RewardAnswer F1
Learning rate5e-6
Training steps500
LR schedulerCosine
Warmup ratio0.1
Maximum gradient norm1.0
KL coefficient β0.0
Per-device training batch size8
Per-device evaluation batch size32
Gradient accumulation steps16
Effective training batch size512
Number of GPUs4 × B200
Maximum vLLM model length4,096
Maximum completion length1,024
Sampling temperature1.0
Sampling top-p0.95
Sampling top-k4
Two-phase trainingEnabled
Phase-1 KB rollouts per question, K4
Phase-2 QA rollouts per KB, M8
Total Phase-2 QA rollouts per question32 = 4 × 8
Total generations per question36 = 4 KB + 32 QA
Phase-1 prompt typeSFT
Phase-1 database weight modeCount
Retrieval similarity threshold0.6
Retrieval top-k4
Inverse relationsEnabled
Adaptive retrieval kDisabled
Runtime precisionBF16
Generation backendvLLM
Gradient checkpointingEnabled
vLLM colocationEnabled
vLLM GPU memory utilization0.15
Logging interval5 steps
Evaluation interval100 steps
Checkpoint saving interval25 steps
Maximum saved checkpoints5

Intended use

This checkpoint is intended for running and evaluating KBevo's two-phase knowledge construction and reasoning policy. It can be used with the official KBevo codebase to reproduce the reported results or as a starting point for further research and fine-tuning.

Citation

@inproceedings{Noonan2026:co-evolving,
  title         = {Co-Evolving Structured Knowledge and Reasoning in Language Models},
  author        = {Ryan Thomas Noonan and Linxi Zhao and Menghan Xu and Akanksha Sarkar and Mihir Mishra and Dongyoung Go and Kilian Q. Weinberger and Yoav Artzi and Jennifer J. Sun},
  booktitle     = {Proceedings of the Conference on Language Modeling},
  year          = {2026},
  url           = {https://arxiv.org/abs/2608.26386}
}

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
98e0754

0 моделей