/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
18 авг 2026

VPR-Qwen3-4B-Minesweeper

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-4B для выбора действий и решения задач в текстовых сценариях игры «Сапёр» с обучением по проверяемым процессным наградам.

19скачиваний 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-Minesweeper — модель Qwen3-4B, дообученная методом Verifiable Process Rewards (VPR) на взаимодействиях с «Сапёром». Она генерирует текстовые ответы с действиями для игры: на каждом шаге обучение сравнивало несколько вариантов действия с оценкой Minesweeper-оракула и использовало эти оценки для оптимизации модели.

Модель предназначена для экспериментов с агентным рассуждением и выбора действий в документированных сценариях Markovian Minesweeper. В описанной оценке сообщаются успешность 32,60 ± 5,03% и завершение 85,76 ± 0,98%; эти результаты относятся к протоколу оценки из статьи VPR. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Она работает с текстом и выдаёт текст, содержащий игровые действия.

Качество за пределами документированных сред и форматов действий не установлено; обучение опиралось на специальные запросы и сигналы игрового оракула. Лицензия — Apache-2.0.

Сценарии применения

  • выбор следующего хода в текстовой игре «Сапёр»
  • эксперименты с агентным рассуждением в игровой среде
  • оценка обучения языковых моделей по проверяемым наградам

Ограничения

Качество за пределами документированных сред Markovian Minesweeper и форматов действий не установлено; обучение зависит от специальных запросов и сигналов игрового оракула.

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-Minesweeper

This is a Qwen3-4B checkpoint trained with Verifiable Process Rewards (VPR) on Markovian Minesweeper interactions. At each visited state, VPR samples four action responses, scores their parsed actions with a task-grounded posterior-based Minesweeper oracle, commits one highest-reward candidate, and optimizes all eligible candidates using locally normalized advantages.

Reported result

EvaluationSRCR
Minesweeper32.60 ± 5.0385.76 ± 0.98

Values are percentages reported under the evaluation protocol in the VPR paper. SR is success rate; CR is completion rate.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

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

inputs = tokenizer("<current Markovian game prompt>", return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Use the environment prompts, parsers, and action conventions in the VPR codebase for reproduction. These task-specific checkpoints are not intended as general-purpose assistants.

Resources

Limitations

Training relies on task-grounded oracle signals and specific Markovian prompts. Performance outside the documented environments and action formats has not been established. Evaluate safety and correctness before open-ended deployment.

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
7ac0863

0 моделей