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
Qwen3-8B-RewardedSoups-baseline — диалоговая языковая модель на базе Qwen3-8B, подготовленная методом Rewarded Soups для совмещения нескольких целей поведения. Разработчик объединил линейной интерполяцией четыре DPO-эксперта, обученных от общей исходной модели; веса экспертов смешаны с коэффициентами 0,15, 0,15, 0,15 и 0,55. Коэффициенты выбраны по 100 проверочным запросам.
Модель предназначена для генерации ответов в диалоге с акцентом на следование инструкциям, правдивость, честность и полезность. В карточке описана оценка на UltraFeedback: ответы сравнивали с общей референсной моделью на отложенных запросах, используя Llama-3.3-70B-Instruct в роли судьи. Метаданные указывают архитектуру Qwen3ForCausalLM, 7,6 млрд параметров, контекст до 40 960 токенов и библиотеку Transformers. Базовая модель заявлена как многоязычная; README не уточняет языки обучения этой версии.
Модель распространяется в формате safetensors по лицензии Llama 3.1. README сообщает о бюджете дообучения в 300 обновлений оптимизатора с глобальным размером пакета 16, поэтому результаты оценки не следует считать гарантией качества во всех сценариях. Карточка не приводит подробных ограничений применения.
Сценарии применения
генерация ответов на инструкции
диалоговая помощь пользователю
подготовка более правдивых ответов
сравнение поведения модели по нескольким целям предпочтений
Ограничения
Дообучение ограничено 300 обновлениями оптимизатора, а коэффициенты смешивания выбраны по 100 проверочным запросам. Приведённая оценка относится к описанному набору и протоколу сравнения и не гарантирует качество в других сценариях.
Для каких профессий подходит9
Разделы каталога профессий, в задачах которых используется эта модель
Rewarded Soups (Rame et al., NeurIPS 2023): one DPO expert per objective from the shared Qwen3-8B initialisation, linearly interpolated at lambda = (0.15, 0.15, 0.15, 0.55), chosen on 100 validation prompts only.
Evaluation protocol: independent objective-wise win rate against the common reference,
judged by Llama-3.3-70B-Instruct on prompt-disjoint held-out prompts, both presentation orders.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров