Характеристики

Библиотека: transformers
Опубликована: 3 сен 2026

Ссылки

rlcr-readout-qwen3-8b-chem-rlcr

Обучение с подкреплением

Исследовательские чекпойнты RLCR на базе Qwen3-8B для изучения обучения с подкреплением и оценки уверенности в текстовых ответах.

0скачиваний за 30 дней0лайковвеса обновлены5 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

qcz/rlcr-readout-qwen3-8b-chem-rlcr — экспериментальные исследовательские чекпойнты проекта RLCR readout, основанные на Qwen3-8B и предназначенные для изучения обучения с подкреплением и оценивания уверенности модели. Каждый каталог iter_* содержит полный чекпойнт после указанного числа завершённых rollout; RLVR и RLCR используют общий промпт для ответа и оценки уверенности и оптимизацию CISPO.

Обучалась авторегрессионная текстовая политика. Для использования нужно загружать конкретный чекпойнт из подкаталога вместе с его токенизатором и шаблоном чата. README предупреждает, что механистические выводы требуют скорректированных оценок и контрольных экспериментов. Подкаталоги сохраняют лицензию и уведомления исходной модели Qwen3-8B.

Сценарии применения

эксперименты с обучением языковой модели с подкреплением
исследование оценки уверенности в ответах модели
сравнение RLVR и RLCR при одинаковых промптах и оптимизации
анализ поведения текстовой политики на разных этапах rollout

Ограничения

Это экспериментальные веса; README указывает, что механистические выводы требуют скорректированных оценок и контрольных экспериментов. Для загрузки требуется выбрать подкаталог чекпойнта и использовать соответствующие ему токенизатор и шаблон чата.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qwen3-8b_chem_rlcr

Research checkpoints for the RLCR readout project. Each iter_* subfolder is a complete Hugging Face checkpoint at the indicated completed rollout count. RLVR and RLCR use the same answer-and-confidence prompt and CISPO optimization. These are experimental weights; mechanistic conclusions require the project's corrected evaluations and controls.

Each folder includes validation.json with CPU tensor checks and SHA-256 file hashes. For Qwen3.5, visual and disabled MTP tensors remain those of the original model; only the autoregressive text policy was trained, without speculative decoding or MTP training. Load a checkpoint with subfolder="iter_100" and its own tokenizer/chat template. The subfolder preserves the original model's license, notices and README for attribution; this root card describes the research post-training applied to those weights.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов: 52c33af