Qwen3-8B-MaxMinRLHF-baseline — экспериментальный чат-чекпойнт на базе Qwen/Qwen3-8B, подготовленный в работе по Nash Bargaining Preference Optimization. Модель обучали методом MaxMin-RLHF: три чередующихся раунда по 100 обновлений, каждый — для цели с наименьшей стандартизованной полезностью относительно общей опорной политики. В качестве групп целей использовались следование инструкциям, правдивость, честность и полезность; обучение проводилось на панели UltraFeedback с глобальным размером пакета 16.

Модель предназначена для генерации ответов в диалоге с акцентом на согласование нескольких предпочтений. В карточке описан протокол оценки на отложенных промптах, где ответы по каждой цели сравнивались с общей опорной моделью и оценивались Llama-3.3-70B-Instruct. Архитектура — плотная Qwen3ForCausalLM, 7,6 млрд параметров; контекст — до 40 960 токенов. Поддерживается text-generation, библиотека — Transformers.

Модель унаследовала многоязычные возможности Qwen3-8B: генерацию текста, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Карточка описывает ограниченный обучающий бюджет и оценку, но не приводит результатов качества. Лицензия указана как Llama 3.1; перед использованием следует проверить её условия для этого чекпойнта и базовой модели.