/ 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-Coder-30B-A3B-Instruct
Библиотека
transformers
Опубликована
9 авг 2026

tt-x2_clip-hi0p2-60-30B

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3-Coder, дообученный методом GRPO для генерации кода и решения многофайловых агентных задач.

173скачиваний за 30 дней0лайковвеса обновлены4 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

laion/tt-x2_clip-hi0p2-60-30B — контрольная точка обучения GRPO, созданная в рамках эксперимента TaskTrove X2 с настройкой верхнего PPO clip 0,2. Модель основана на Qwen/Qwen3-Coder-30B-A3B-Instruct и дообучена на DCAgent/exp_rpt_multifile с помощью SkyRL и Terminus-2; архитектура — MoE Qwen3. Метаданные указывают 2,6 млрд параметров и контекст 262 144 токена.

Модель предназначена для генерации текста в диалоговом формате, прежде всего для многофайловых задач программирования и агентных сценариев. Для выбора чекпойнта использовалась скользящая EMA награды; приведённые в карточке результаты включают pass@8 0,375 на шаге 60. Обучение было остановлено владельцем на шаге 78 из 80, а выбранный чекпойнт — на шаге 60.

Репозиторий содержит веса в safetensors. Лицензия — Apache-2.0. Показатели получены в ходе конкретного эксперимента, поэтому не характеризуют качество на произвольных задачах; базовые характеристики и ограничения унаследованы от исходной модели.

Сценарии применения

  • генерация и изменение кода в нескольких файлах
  • решение задач программирования в агентном цикле
  • эксперименты с обучением GRPO и настройкой PPO clip
  • оценка программной политики по pass@8

Ограничения

Это экспериментальный чекпойнт, выбранный на шаге 60 из обучения, остановленного на шаге 78 из 80; указанная метрика pass@8 относится к описанному эксперименту и не гарантирует качество на других задачах.

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

tt-x2_clip-hi0p2 -- step 60 (PPO upper-clip = 0.2)

GRPO checkpoint from the TaskTrove X2 (upper PPO clip) hyperparameter sweep. Base model Qwen/Qwen3-Coder-30B-A3B-Instruct, trained on DCAgent/exp_rpt_multifile with SkyRL + Terminus-2. This is the clip-0.2 arm; the campaign verifier is pass_ratio shaping.

Checkpoint selection

global_step_60 was selected by the trailing-5 reward EMA (alpha = 1/3) over the full restart chain -- the highest-EMA aligned checkpoint (EMA 0.226; step reward 0.229; pass@8 0.375; entropy 0.094) among saved exports (hf_save_interval 5; step 5 excluded as first save). Cross-validated by both the inline EMA and parse_skyrl_metrics.py --run_dir --save_every 5.

Run status -- terminated 2 steps short of horizon (healthy)

The clip-0.2 arm was terminated by the owner at step 78/80 (it was still advancing; the chain was scancelled). This is a healthy, still-improving run, not a collapse: reward trends up (~0.15 early -> ~0.20-0.27 by steps 46-78), pass@8 rises (~0.25 -> ~0.30-0.48), and policy entropy is stable to slightly declining (0.11 -> 0.083, 0.75x). A transient single-batch dip at steps 33-34 (reward -> 0) recovered immediately at step 35 and is not a collapse. Step 60 is the best saved checkpoint; the unsaved EMA peak was around steps 66-67 (the run kept improving past step 60).

See training_logs/ for metrics.csv, report.md, reward_plot.png, the resolved rl_config.json, and the gzipped .out chain.

Training Traces

Training-time Daytona/Harbor rollouts: open-athena/tt-x2_clip-hi0p2 (the last episode of each trial -- the rollouts the policy trained on after rollback/truncation).

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
fdd66f2

0 моделей