/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Base
Библиотека
transformers
Опубликована
18 авг 2026

VPR-Qwen3-4B-Base-Math-Mixed

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3 с 3,7 млрд параметров для генерации текста и исследований математического рассуждения и игрового агентного поведения.

23скачиваний за 30 дней0лайковвеса обновлены19 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

VPR-Qwen3-4B-Base-Math-Mixed — дообученная модель nics-efc на базе Qwen3-4B-Base с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она обучена на смешанных математических данных и опыте в играх Sokoban, Sudoku и Minesweeper; VPR использует пошаговые награды за действия, вычисляемые проверяющими оракулами для конкретных задач. Модель предназначена для генерации текста и экспериментов с рассуждениями и агентными действиями в игровых и исследовательских сценариях. Контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers. В карточке приведены результаты на наборах общего рассуждения, ALFWorld и WebShop, измеренные по протоколу статьи VPR.

Ограничения модели связаны с распределением математических данных, игровыми оракулами, промптами и форматами действий, использованными при обучении; качество и безопасность за пределами этих условий не установлены. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с математическим рассуждением языковой модели
  • исследование пошаговых наград за действия в играх
  • создание агента для решения Sokoban
  • эксперименты с решением Sudoku и Minesweeper
  • оценка языковых агентов в ALFWorld и WebShop

Ограничения

Обучение модели опирается на конкретное распределение математических данных, игровые оракулы, промпты и форматы действий; качество и безопасность за пределами этих условий не установлены. Результаты OOD-набора не подтверждают равный объём вычислений на этапах обучения относительно других методов.

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

VPR-Qwen3-4B-Base-Math-Mixed

This checkpoint is trained from Qwen3-4B-Base with mixed math and VPR game experience across Sokoban, Sudoku, and Minesweeper. VPR supplies action-level process rewards through task-grounded oracles and state-group rollout, while math training follows the mixed-training protocol described in the paper.

Reported results

EvaluationMetricResult
General-reasoning OOD suiteMacro average52.75
ALFWorldSR16.12 ± 2.87
WebShopScore42.01 ± 2.14
WebShopSR1.33 ± 0.76

Values are reported under the VPR paper's evaluation protocol. SR is success rate. The general-reasoning value is the macro average across the reported OOD benchmarks. These OOD results are not a claim of exactly matched total rollout compute across training methods.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "nics-efc/VPR-Qwen3-4B-Base-Math-Mixed"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

inputs = tokenizer("Solve the task step by step.", return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=1024)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Use the VPR codebase for the exact prompts, environments, and evaluation entry points.

Resources

Limitations

The checkpoint is shaped by the documented math distribution, task-grounded game oracles, prompts, and action formats. Performance and safety outside those settings have not been established.

Citation

@misc{yuan2026verifiable,
  title         = {Verifiable Process Rewards for Agentic Reasoning},
  author        = {Huining Yuan and Zelai Xu and Huaijie Wang and Xiangmin Yi and Jiaxuan Gao and Xiao-Ping Zhang and Yu Wang and Chao Yu and Yi Wu},
  year          = {2026},
  eprint        = {2605.10325},
  archivePrefix = {arXiv},
  primaryClass  = {cs.AI},
  url           = {https://arxiv.org/abs/2605.10325}
}

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
9ce499f

0 моделей