/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Лицензия
CC BY-SA 4.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
5 окт 2026

recenter-personalization-stage2-grpo

Генерация текстаТекст → текст

Qwen3-4B негізіндегі GRPO-модель пайдаланушы профиліндегі атрибуттың сұрауға қатысты екенін бағалап, персонализированный ответке әсер етуі керектігін анықтайды.

167скачиваний за 30 дней0лайковвеса обновлены5 окт 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

Re-Centering Humans in LLM Personalization жобасында сипатталған, Qwen3-4B негізінде GRPO әдісімен оқытылған модель. Ол пайдаланушы сұрауы мен профильдегі бір атрибутты бірге қабылдап, сол атрибут жекелендірілген жауапқа әсер етуі керек пе екенін бағалайды және YES немесе NO жауабын шығарады. Бұл модель дербестендіру жүйелерінде профиль ақпаратын сүзуге және әр атрибуттың сұрауға қатыстылығын анықтауға арналған.

Модель Qwen3 тобының тығыз causal language model архитектурасын қолданады, шамамен 3,7 млрд параметрі және 40 960 токендік контекст терезесі бар. GRPO оқытуында адам бағалауларына негізделген марапаттар пайдаланылған; мақалада базалық Qwen3-4B-мен салыстырғанда дәлдігі мен F1 көрсеткіші жоғары болған. Модель ағылшын тіліндегі деректермен сипатталған, бірақ нақты қолдау тілдері шектеулі болуы мүмкін. Лицензиясы — CC BY-SA 4.0.

Сценарии применения

  • Пайдаланушы сұрауына профиль атрибутының қатыстылығын бағалау
  • Жекелендірілген жауап алдында профиль ақпаратын сүзу
  • Сұрауға әсер ететін пайдаланушы қалауларын таңдау
  • Персонализация жүйесінде атрибуттарды YES немесе NO деп жіктеу

Ограничения

Модель арнайы бір профиль атрибутының жекелендірілген жауапқа қатыстылығын бағалауға үйретілген; оны жалпы мақсаттағы диалог моделі ретінде қолдану нәтижелері сипатталмаған. Мақаладағы бағалау нақты деректер жиыны мен адам көпшілігінің белгілеріне негізделеді.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Stage-2 attribute relevance reasoner (Qwen3-4B + GRPO)

The GRPO-trained relevance model from Re-Centering Humans in LLM Personalization (Section 5.3, Table 3). Given a user prompt and one attribute from the user's profile, the model reasons about whether the attribute should influence a personalized response and answers \boxed{YES} or \boxed{NO}. Training uses rewards derived from human relevance judgments. It reduces the over-selection of attributes seen in zero-shot LLMs and gives the best F1 in the paper.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "leczhang/recenter-personalization-stage2-grpo"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")

PROMPT = """You are helping evaluate a personalized AI assistant.

**Task:** Given a prompt sent by a user and an attribute from the user's profile, decide whether the attribute should be taken into consideration when personalizing the AI's response.

**Criteria:**
- Answer YES if the attribute would change the response in ANY way compared to a generic reply — whether explicitly (e.g., directly mentioning the attribute) or implicitly (e.g., adjusting tone, vocabulary, examples, level of detail, or framing).
- Answer NO if the attribute has no effect on how a thoughtful AI would respond — the response would be identical with or without knowing this attribute.

Think step by step, then provide your final answer as \\boxed{{YES}} or \\boxed{{NO}}.

User Attribute: {attribute}
Prompt: {prompt}"""

messages = [{"role": "user", "content": PROMPT.format(
    attribute="The user is a creative individual.",
    prompt="What is the difference between a mode and a scale in music theory?")}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, max_new_tokens=4096, do_sample=False)
print(tok.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))   # ... \boxed{NO}

The paper evaluates with greedy decoding (vLLM, up to 8,192 new tokens). The prompt text is truncated to 800 characters.

Training

GRPO with verl on 4× A100 80GB, starting from Qwen/Qwen3-4B:

  • 15 epochs, batch size 128, actor learning rate 1e-6
  • KL loss coefficient 0.001 (low-variance KL), 5 rollouts per prompt
  • maximum prompt length 1,024 tokens, maximum response length 4,096 tokens

The reward is 1 if the boxed answer matches the human majority-vote label and 0 otherwise. Data is split by LIMA prompt: validation = prompts 38–42, test = prompts 33–37, train = the rest (stage2/grpo/*.parquet in the dataset). This repository holds the final checkpoint (step 345).

Results (paper Table 3, against human majority judgments)

ModelAccuracyPrecisionRecallF1
Qwen3-4B (base)0.5300.2670.9420.417
Qwen3-4B + GRPO (this model)0.8700.6110.6740.641

Citation

@article{zhang2026recentering,
  title   = {Re-Centering Humans in LLM Personalization},
  author  = {Zhang, Lechen and Liu, Jiarui and August, Tal},
  journal = {arXiv preprint arXiv:2606.06614},
  year    = {2026}
}

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
c45217c

0 моделей