/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Архитектура
qwen2 · dense
Базовая модель
AetherSearch_SFT
Библиотека
transformers
Опубликована
30 авг 2026

AetherSearch_DPO

Генерация текстаТекст → текст5 профессий

Англоязычная модель поискового агента на базе Qwen2, настроенная методом DPO для итеративного поиска и подготовки ответов с опорой на найденные свидетельства.

93скачиваний за 30 дней1лайквеса обновлены31 авг 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

AetherSearch_DPO — англоязычная диалоговая модель поискового агента, разработанная Muradil211. Она дообучена методом Direct Preference Optimization на базе muradil211/AetherSearch_SFT и использует архитектуру Qwen2 с 3,1 млрд параметров. Модель генерирует запросы для внешнего поиска, принимает найденные материалы в контексте, при необходимости запрашивает дополнительные свидетельства и формирует обоснованный ответ. Для работы нужен внешний retrieval-бэкенд и runtime, который обрабатывает XML-протокол AetherSearch и передаёт результаты поиска обратно модели.

Модель предназначена для итеративного поиска и ответов с опорой на найденные источники, в том числе в сценариях RAG. Контекст — до 32 768 токенов; формат весов — safetensors, библиотека — Transformers. DPO настраивает предпочтения между вариантами поисковых траекторий, но не гарантирует фактичность, достаточную поддержку ответа источниками или безопасность. Качество поиска, проверка свидетельств и ответов остаются ответственностью приложения. README не заявляет отдельную общую лицензию: перед использованием и распространением следует проверить условия базовой модели, AetherSearch SFT и атрибуцию данных DPO.

Сценарии применения

  • поиск источников для ответа на вопрос
  • многошаговый поиск с уточнением запросов
  • подготовка ответов с опорой на результаты внешнего поиска
  • интеграция поискового агента в RAG-систему

Ограничения

Точность и безопасность ответов не гарантируются; качество зависит от внешнего поиска, проверки источников и runtime, реализующего XML-протокол. Для распространения и дальнейшего использования необходимо проверить условия базовой модели, AetherSearch SFT и атрибуцию DPO-данных.

Для каких профессий подходит5

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

🔭 AetherSearch DPO

A preference-aligned search agent for retrieval-augmented reasoning

Built on AetherSearch SFT and aligned with Direct Preference Optimization (DPO) over 2,126 search-trajectory preference pairs.

🏠 Project · 🧠 SFT checkpoint

🔌 Bring your own retriever. AetherSearch DPO is a search-agent policy, not a self-contained question-answering service. The host runtime must execute each <search>...</search> request and return evidence inside <information>...</information>.

✨ Highlights

  • 🎯 Preference aligned — favors stronger search decisions, evidence use, and final answers over paired alternatives.
  • 🔎 Search native — produces explicit reasoning, retrieval requests, and grounded answers using the AetherSearch XML protocol.
  • 🔁 Multi-step retrieval — can request additional evidence when an existing trajectory is insufficient.
  • 🧾 Retrieval-aware DPO — retrieved information remains visible as context but is excluded from preference-loss scoring.

🧠 How it works

Question
   │
   ▼
<think>reason about what is missing</think>
   │
   ▼
<search>focused retrieval query</search> ─────► Search / RAG backend
   ▲                                                  │
   └──── <information>retrieved evidence</information> ◄────┘
   │
   ├── repeat the search loop when more evidence is needed
   ▼
<answer>evidence-grounded final answer</answer>

The model produces reasoning, search, and answer spans. The surrounding runtime parses each completed <search> span, runs retrieval, appends the result as <information>, and resumes generation until the model emits an <answer> span.

📊 Model at a glance

FieldValue
🧬 Base checkpointmuradil211/AetherSearch_SFT
🧬 Base revision437aca474d3966e57e82af565db95d0ad64aa24d
🏗️ ArchitectureQwen2 causal language model
🔢 Parameters3,085,938,688
🎛️ Weight dtypeBF16
📏 Context window32,768 positions; training sequences capped at 4,096
🎯 Alignment methodDirect Preference Optimization

🎯 DPO alignment

Supervised fine-tuning teaches the model how to follow the search protocol; DPO then teaches it which of two valid-looking continuations is preferable. For a shared prompt \(x\), preferred continuation \(y_w\), rejected continuation \(y_l\), policy \(\pi_\theta\), and frozen SFT reference \(\pi_{\mathrm{ref}}\), training minimizes:

$$ \mathcal{L}{\mathrm{DPO}} = -\log \sigma!\left( \beta \left[ \log \frac{\pi\theta(y_w \mid x)}{\pi_{\mathrm{ref}}(y_w \mid x)}

\log \frac{\pi_\theta(y_l \mid x)}{\pi_{\mathrm{ref}}(y_l \mid x)} \right] \right). $$

In plain terms, the policy learns to widen the preference margin between the chosen and rejected search trajectories while the frozen SFT model anchors the update. This directly optimizes pairwise preferences without training a separate reward model or running an online RL loop.

The loss is adapted to the agent-environment boundary:

  • Shared prompt tokens are masked on both sides.
  • Environment-provided <information>...</information> spans inside either continuation are masked while remaining visible as context.
  • All remaining assistant tokens contribute to summed sequence log probabilities.
  • Answer-terminal continuations include the final <|im_end|> token; search-terminal continuations stop before it so the runtime can insert the next retrieval result.

Both the initial policy and frozen reference use the pinned AetherSearch SFT checkpoint. The released run uses \(\beta=0.1\).

🛠️ Training recipe

SettingValueSettingValue
Epochs1Learning rate5e-7
DPO beta0.1SchedulerCosine
Global batch size12 pairsPer-device batch1 pair
PrecisionBF16Max sequence length4,096
Warmup ratio0.03Weight decay0.0
Distributed optimizerDeepSpeed ZeRO-3Seed42

The policy and frozen reference are both sharded with ZeRO-3; gradients and optimizer updates are applied only to the policy.

🚀 Quick start

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "muradil211/AetherSearch_DPO"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
model.config.use_cache = True

Loading the checkpoint is only the first step. For end-to-end use, stop generation after each complete <search> request, execute it with your retriever, append the result as <information>, and resume generation. Stop when the model emits a complete <answer> span, and preserve the XML protocol exactly throughout the loop.

⚠️ Limitations

  • DPO improves fit to the supplied preference pairs; it does not guarantee factual, supported, or safe outputs.
  • Preference labels include curated hard negatives and trajectory corrections, not human preference votes for every pair.
  • Retrieval quality, evidence validation, answer verification, and deployment safeguards remain the caller's responsibility.

📜 Terms

No additional blanket license is asserted here. Review the Qwen2.5-3B-Instruct license, the AetherSearch SFT terms, and the AetherSearch DPO data attribution before redistribution or downstream use.


Built for agentic search and retrieval-augmented reasoning. 🔎✨

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
1ca93d0

0 моделей