/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
16 сен 2026

NBPO-Qwen2.5-7B-WildChecklists-2ep

Генерация текстаТекст → текст3 профессии

Исследовательская версия Qwen2.5-7B-Instruct, дообученная методом NBPO для генерации диалоговых ответов и изучения агрегации предпочтений.

517скачиваний за 30 дней0лайковвеса обновлены16 сен 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

Это исследовательский чекпойнт NBPO, дообученный командой promotion на Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и рассчитана на генерацию текста в диалоговом формате; максимальная длина контекста — 32 768 токенов. Она обучалась на WildChecklists в рамках протокола PROSPER: для каждого запроса использовались пункты чек-листа и оценки ответов по отдельным пунктам, а веса предпочтений подбирались отдельно для каждого запроса.

Модель предназначена для изучения влияния способа агрегирования предпочтений на качество ответов и для экспериментального сравнения с вариантами PROSPER и Fixed-reference Nash. В README приведены результаты сравнительной оценки на Arena-Hard и AlpacaEval, но авторы предупреждают, что применённый локальный судья отличается от судей официальных лидербордов, а различия между вариантами в целом статистически не установлены. Лицензия в предоставленных данных не указана.

Сценарии применения

  • экспериментальное сравнение методов оптимизации предпочтений
  • генерация ответов в диалогах
  • оценка качества ответов по чек-листам
  • воспроизведение экспериментов на WildChecklists

Ограничения

Результаты получены с локальным открытым судьёй и не сопоставимы напрямую с опубликованными оценками Arena-Hard и AlpacaEval; различия между обученными вариантами в целом статистически не установлены. Язык модели в предоставленной карточке явно не указан.

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

NBPO (per-prompt inverse-surplus weights)

Research checkpoint. Nash bargaining over game-value improvements with an adaptive (self-play) reference, with the dual multipliers fitted separately at each prompt.

Fine-tuned from Qwen/Qwen2.5-7B-Instruct. This repository is one of three arms trained and evaluated under one protocol so that the only difference between them is the aggregation rule; the other two are linked below.

Training setting

Retrained under the protocol of "Back to Blackwell" (PROSPER) on WildChecklists, where every prompt carries its own checklist items and the judge scores one item at a time.

Prompts522 (union-filtered so all three arms train on one prompt set)
Learner pairs14,616 (all 28 unordered pairs of 8 sampled responses per prompt)
Pipeline epochs2
Optimizer steps228 at batch size 128
Learning rate3e-7, weight decay 1e-6, AdamW, warmup ratio 0.1, grad clip 1.0
Max sequence / prompt length2048 / 1024
Seed555134
Candidate decodingtemperature 0.8, top_p 0.9, 8 responses per prompt
Judge for training signallocal open-weight judge, 10 judgments per pair averaged over both presentation orders

Provenance recorded by the run: dataset manifest 8d0dc02928c1643b, solver artifact not recorded.

Evaluation

Greedy generation (temperature 0) against each benchmark's released baseline answers, judged by a local open-weight judge at temperature 0 in both presentation orders with ties counted as 0.5.

ArmArena-HardAlpacaEval
NBPO0.63330.4124
PROSPER0.62250.4071
Fixed-reference Nash0.61110.4118

This checkpoint: Arena-Hard 0.6333 (95% prompt bootstrap [0.6045, 0.6616], 495 prompts); AlpacaEval 0.4124 (95% prompt bootstrap [0.3946, 0.4311], 802 prompts).

Two limits these numbers carry

  1. They are not leaderboard scores. Arena-Hard normally judges with gpt-4-1106 and AlpacaEval 2.0 with weighted_alpaca_eval_gpt4_turbo. To keep paid-API cost at zero, judging here uses a local open-weight model. The questions and baseline answers are the official static files, so the three arms are comparable with each other, but the absolute values are not comparable with published leaderboard numbers. Re-judging the same responses with a larger open-weight judge moved every arm up by about 0.11 and changed the ranking, which is why only within-judge comparisons are reported.
  2. The differences between the trained arms are not statistically resolved. Paired whole-prompt bootstraps on the common prompts give NBPO minus PROSPER +0.0087 [-0.0122, +0.0305] on Arena-Hard and +0.0063 [-0.0087, +0.0206] on AlpacaEval. NBPO minus fixed-reference Nash does exclude zero on Arena-Hard (+0.0243 [+0.0040, +0.0446]), but that arm also fell -0.0250 below its own single-epoch run, so the gap reflects the fixed reference degrading rather than NBPO improving. General-capability benchmarks (MMLU, ARC-Challenge, HellaSwag, IFEval) separate none of the arms from each other or from the base by more than their standard errors.

The three arms

The tokenizer is unchanged from the base model.

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
1b01b1f

0 моделей