/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Опубликована
11 окт 2026

Qwen3.8-27B-ft-decision

Классификация без дообученияТекст → label

Дообученная Qwen3.8-27B оценивает типизированные вопросы по тексту и возвращает калиброванные вероятности для маршрутизации, триажа и проверки.

19скачиваний за 30 дней0лайковвеса обновлены11 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

mrm8488/Qwen3.8-27B-ft-decision — англоязычная модель для структурированных решений, созданная дообучением Qwen/Qwen3.8-27B на наборе typed-decisions. Она принимает текстовый материал и схему типизированных вопросов, затем возвращает распределения вероятностей по вариантам ответа: выбор из заданных категорий, ответ да/нет или оценку по порядковой шкале с ожидаемым значением. Это позволяет маршрутизировать обращения, определять приоритет, формировать очереди проверки и анализировать трассировки агентов с учётом уверенности модели.

Модель основана на плотной архитектуре Qwen3.5 и содержит 27 млрд параметров. В метаданных указан pipeline zero-shot-classification; README описывает дообучение с LoRA на 1,6 тыс. записей из сценариев поддержки клиентов, обработки счетов, инцидентов безопасности и наблюдаемости за агентами. В тестировании автор сообщает точность отдельных вопросов 81,95% и ECE 0,0361; точность на уровне записей — 42%. Модель ориентирована на английский язык, а контекст при обучении ограничивался 4096 токенами.

Модель подходит для экспериментов и применения в структурированных рабочих процессах, но качество следует проверять на собственных данных и схемах вопросов. Обучающие данные синтетические и англоязычные; на шумных реальных и неанглоязычных входах качество может быть ниже. Для решений, зависящих сразу от нескольких ответов, требуется учитывать вероятности по каждому вопросу. Лицензия — Apache-2.0.

Сценарии применения

  • распределение обращений клиентов по командам поддержки
  • определение срочности заявки или инцидента
  • выявление запросов на возврат средств
  • извлечение структурированных решений из счетов
  • оценка трассировок агентов и маршрутизация на ручную проверку

Ограничения

Обучающие данные синтетические и только на английском языке, поэтому на шумных реальных и неанглоязычных входах качество может снижаться; контекст обучения ограничен 4096 токенами. Точность на уровне записей в тесте составила 42%, поэтому для решений с несколькими ответами следует учитывать вероятности каждого ответа и проверять модель на собственных сценариях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B-ft-decision

Overview

This model is a fine-tuned version of Qwen3.8-27B on the typed-decisions dataset.

It takes a free-text input (a support ticket, an agent trace, an invoice, a security alert...) plus a schema of typed questions and returns, for every question, a calibrated probability distribution over its possible answers rather than a single label. Three question types are supported:

  • choice — pick one option out of a set of named criteria (e.g. which team should handle a ticket).
  • noul — binary yes/no decision (e.g. does the customer ask for a refund?).
  • score — ordinal scale (e.g. urgency from "not urgent" to "today"); an expected score is also returned.

The dataset covers four workflows: agent_trace_observability, customer_service, invoice_processing and security_incidents (1.6k records in total, train/test splits). Gold labels are soft distributions aggregated from several annotators, so the model is trained to match the full distribution, not only the argmax.

A smaller sibling trained with the same recipe is available at mrm8488/Qwen3.5-0.8B-ft-decision-8k.


Training Configuration

  • Dataset: LocalLLaMA/typed-decisions (all subset)
  • Max Context Length: 4096
  • Seed: 3407

Training Args

  • Per Device Train Batch Size: 32
  • Gradient Accumulation Steps: 1
    Effective batch size of 32.
  • Warmup Steps: 10
  • Total Training Epochs: 4
  • Learning Rate: 2e-4
  • LR Scheduler Type: cosine
  • Weight Decay: 0.01
  • Precision: bf16 (falls back to fp16 when bf16 is not supported)
  • Evaluation / Save Strategy: epoch
  • Load Best Model at End: True (selected by validation loss)

Training Progress

EpochTraining LossValidation Loss
10.8617230.837701
20.8066150.836433
30.8040170.830279
40.7909020.829434

Validation loss decreases at every epoch, so the best checkpoint is also the final one (epoch 4).

LoRA Config

  • rank: 16
  • alpha: 16
  • dropout: 0
  • gradient checkpointing: "unsloth"
  • random state: 3407

Evaluations

Metrics:

  • accuracy: fraction of individual questions where the predicted label matches the gold argmax.
  • record_accuracy: fraction of records where every question is answered correctly.
  • ece: expected calibration error (lower is better).
  • loss: cross-entropy against the soft gold distributions.

Base model (before fine-tuning)

ModelAccuracyRecord AccuracyECE ↓Loss
Qwen3.8-27B (base)43.25%1.25%0.13351.209

Test split

ModelAccuracyRecord AccuracyECE ↓Loss
Ours (Qwen3.8-27B-ft-decision)81.95%42.0%0.03611.308

Intended Use

The model is intended for research and experimentation on structured, calibrated decision-making: routing, triage, review queues and observability over workflows such as customer support, invoice processing, security incidents and agent traces. Because it outputs probabilities, it is well suited to thresholding (e.g. escalate to a human below a confidence level). Its performance should be validated on your own workflows and question schemas before deployment in production.


Example Usage (unsloth)

from unsloth import FastDecisionModel

model, tokenizer = FastDecisionModel.from_pretrained(
    model_name = "mrm8488/Qwen3.8-27B-ft-decision",
    max_seq_length = 4096,
)

FastDecisionModel.for_inference(model)

answers = FastDecisionModel.predict(
    model,
    tokenizer,
    "Hi, I was charged twice for invoice #4411. Please refund the duplicate today.",
    {
        "team": {
            "type": "choice",
            "instructions": "Which team should handle this?",
            "criteria": {
                "billing": "invoices, payments, refunds",
                "technical": "bugs, outages, errors",
                "sales": "pricing, new plans",
            },
        },
        "refund": {"type": "noul", "instructions": "Does the customer ask for a refund?"},
        "urgency": {
            "type": "score",
            "instructions": "How urgent is this?",
            "criteria": ["not urgent", "soon", "today"],
        },
    },
)

for name, result in answers.items():
    print(name, result["answer"], {k: round(v, 3) for k, v in result["probabilities"].items()})

Limitations

  • The training data is synthetic and English-only; expect lower accuracy on real-world, noisy or non-English inputs.
  • Record-level accuracy (42% on test) is much lower than per-question accuracy: when a downstream action depends on several answers being right at once, gate it on the per-question probabilities.
  • Gold labels reflect annotator disagreement; low-confidence predictions often correspond to genuinely ambiguous cases rather than model errors.
  • Context length was limited to 4096 tokens during training; very long inputs (e.g. long agent traces) may need truncation.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
df1fa0e

0 моделей