/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
21 окт 2025

Qwen3-Nemotron-8B-BRRM

Генерация текстаТекст → текст4 профессии

Модель NVIDIA на базе Qwen3-8B сравнивает ответы языковых моделей и оценивает их качество для RLHF и тестирования.

303скачиваний за 30 дней10лайковвеса обновлены18 дек 2025

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

Qwen3-Nemotron-8B-BRRM — модель оценки ответов, разработанная NVIDIA по методу Branch-and-Rethink Reasoning Reward Model. Она сравнивает два ответа на запрос пользователя и помогает определить, какой из них качественнее, для оценки генераций LLM и интеграции в конвейеры RLHF.

Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Её двухэтапный подход сначала выбирает от одной до трёх важных для конкретного примера критериев и выявляет проблемы в ответах, затем проводит углублённый анализ с учётом выбранных критериев. Модель рассчитана на английский язык и поддерживает контекст до 40 960 токенов.

В README сообщается о результатах на RewardBench, RM-Bench и RMB: средняя оценка составляет 82,6. Указанная лицензия — other; перед использованием следует проверить её условия. Авторы отмечают, что модель предназначена для интеграции в RLHF, однако автоматические оценки могут не совпадать с человеческими суждениями и зависят от критериев оценки и данных.

Сценарии применения

  • сравнение двух ответов LLM на один запрос
  • ранжирование ответов по качеству
  • оценка генераций в конвейере RLHF
  • поиск логических и вычислительных ошибок в ответах
  • оценка качества ответов на бенчмарках

Ограничения

Модель оценивает ответы автоматически, поэтому её суждения могут зависеть от выбранных критериев и не совпадать с человеческой оценкой. Условия лицензии с пометкой other следует проверить перед использованием.

Для каких профессий подходит4

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

BR-RM: Branch-and-Rethink Reasoning Reward Model

Model Overview

BR-RM (Branch-and-Rethink Reasoning Reward Model) is a reward model that implements a novel two-turn reasoning framework to evaluate LLM-generated responses. Unlike traditional reward models that compress all quality dimensions into a single scalar in one shot, BR-RM performs adaptive branching to focus on instance-critical dimensions, followed by branch-conditioned rethinking for targeted deep analysis.

This model achieves state-of-the-art performance on the average score on three major reward modeling benchmarks (RewardBench, RM-Bench, and RMB) by addressing the "judgment diffusion" problem where models spread attention too thinly across evaluation criteria.

Code Link: https://github.com/yzjiao/BR-RM

Key Features

  • 🎯 Adaptive Focus: Dynamically selects 1-3 critical evaluation dimensions per instance
  • 🔄 Two-Turn Reasoning: First turn branches, second turn performs deep conditioned analysis
  • 📊 SOTA Performance: Top results on RewardBench (92.1%), RM-Bench (85.9%), and RMB (74.7%)
  • 🔧 RLHF Compatible: Designed to integrate seamlessly with standard RLHF pipelines

Model Variants

ModelParametersRewardBenchRM-BenchRMBAverage
Qwen3-Nemotron-8B-BRRM8B91.085.071.882.6
Qwen3-Nemotron-14B-BRRM14B92.185.974.784.2

How It Works

Two-Turn Framework

Turn 1: Adaptive Branching

Input: User query + Two candidate responses
Output: 
  1. Selected critical dimensions (e.g., "Logical Reasoning", "Computational Precision")
  2. Initial issue detection for each response

Turn 2: Branch-Conditioned Rethinking

Input: Turn 1 results + Evaluation hierarchy
Output: Final comparative judgment and preference ranking

Quick Start

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model_name = "nvidia/Qwen3-Nemotron-8B-BRRM"  # or nvidia/Qwen3-Nemotron-14B-BRRM
model = AutoModelForCausalLM.from_pretrained(
    model_name, 
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Example usage
context = "What is 2+2?"
response1 = "2+2=4"
response2 = "2+2=5"

# Format Turn 1: Adaptive Branching
turn1_prompt = f"""You are a response quality evaluator. Given the context and two responses, select the most important cognitive abilities and analyze critical issues.

**Context:** 
{context}

**Responses:**
[The Begin of Response 1]
{response1}
[The End of Response 1]

[The Begin of Response 2]
{response2}
[The End of Response 2]

**Output Format:**
[Quality Assessment Focus]
Choose 1-3 abilities: Information Accuracy, Computational Precision, Logical Reasoning, Implementation Capability, Safety Awareness, Response Completeness, Instruction Adherence, Communication Clarity.
[End of Quality Assessment Focus]

[Quality Analysis for Response 1]
- Critical Issues: [List specific issues or "None identified"]
[End of Quality Analysis for Response 1]

[Quality Analysis for Response 2]
- Critical Issues: [List specific issues or "None identified"]
[End of Quality Analysis for Response 2]"""

# Generate Turn 1
messages = [{"role": "user", "content": turn1_prompt}]
input_ids = tokenizer.apply_chat_template(
    messages, 
    return_tensors="pt",
    add_generation_prompt=True
).to(model.device)
outputs = model.generate(
    input_ids, 
    max_new_tokens=8192,      
    temperature=1.0,
    top_p=0.95,               
    top_k=20,                 
    do_sample=True,           
    pad_token_id=tokenizer.eos_token_id
)
turn1_response = tokenizer.decode(outputs[0][input_ids.shape[1]:], skip_special_tokens=False)


# Format Turn 2: Branch-Conditioned Rethinking
turn2_prompt = f"""You are making final comparative judgments using established evaluation priorities.

**Evaluation Hierarchies:**
- **Accuracy-Critical**: Correctness > Process > Presentation 
- **Creative/Open-Ended**: User Intent > Content Quality > Creativity 
- **Instruction-Following**: Adherence > Content > Clarity

[The Begin of Analysis on Response 1]
[Apply appropriate evaluation hierarchy]
[The End of Analysis on Response 1]

[The Begin of Analysis on Response 2]
[Apply appropriate evaluation hierarchy]
[The End of Analysis on Response 2]

[The Begin of Ranking Score]
\\boxed{{1 or 2}}
[The End of Ranking Score]"""

# Generate Turn 2
messages.append({"role": "assistant", "content": turn1_response})
messages.append({"role": "user", "content": turn2_prompt})
input_ids = tokenizer.apply_chat_template(
    messages, 
    return_tensors="pt",
    add_generation_prompt=True
).to(model.device)
outputs = model.generate(
    input_ids, 
    max_new_tokens=8192,     
    temperature=1.0,
    top_p=0.95,              
    top_k=20,                
    do_sample=True,          
    pad_token_id=tokenizer.eos_token_id
)
final_response = tokenizer.decode(outputs[0][input_ids.shape[1]:], skip_special_tokens=False)

Ethical Considerations:

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their supporting model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse. For more detailed information on ethical considerations for this model, please see the Model Card++ Explainability, Bias, Safety and Security, and Privacy Subcards.

Please report security vulnerabilities or NVIDIA AI Concerns here.

Citation

If you find this model useful, please cite the following work:

@misc{jiao2025thinktwicebranchandrethinkreasoning,
      title={Think Twice: Branch-and-Rethink Reasoning Reward Model}, 
      author={Yizhu Jiao and Jiaqi Zeng and Julien Veron Vialard and Oleksii Kuchaiev and Jiawei Han and Olivier Delalleau},
      year={2025},
      eprint={2510.23596},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2510.23596}, 
}

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
00ddfb6

0 моделей