/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
9 июл 2026

Qwen3-4B-maxcov-fa

Классификация текстаТекст → label

Дообученная модель Qwen3 для классификации и оценки текстовых входов числовым score.

6скачиваний за 30 дней0лайковвеса обновлены9 июл 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

Qwen3-4B-maxcov-fa — дообученная с помощью TRL модель Qwen/Qwen3-4B для классификации текста и присвоения ему оценки. В примере использования модель принимает текст и возвращает числовой score, поэтому её можно применять как оценочную модель для текстовых входов.

Модель построена на плотной архитектуре Qwen3ForSequenceClassification и содержит 3,7 млрд параметров. Она работает с текстом и поддерживает контекст до 40 960 токенов. В метаданных указана лицензия Apache 2.0; веса представлены в формате safetensors. Карточка не уточняет, что именно измеряет оценка, поэтому область применения и интерпретацию score следует проверять на целевых данных.

Сценарии применения

  • оценка текстовых ответов числовым баллом
  • ранжирование текстовых вариантов по оценке модели
  • классификация текстовых входов

Ограничения

Карточка не объясняет смысл и шкалу score, поэтому оценку нельзя интерпретировать без проверки на целевых примерах. Хотя базовая Qwen3 поддерживает многоязычные задачи, языки, на которых специально обучена эта дообученная модель, не уточнены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Qwen3-4B-maxcov-fa

This model is a fine-tuned version of Qwen/Qwen3-4B. It has been trained using TRL.

Quick start

from transformers import pipeline

text = "The capital of France is Paris."
rewarder = pipeline(model="selink/Qwen3-4B-maxcov-fa", device="cuda")
output = rewarder(text)[0]
print(output["score"])

Training procedure

This model was trained with Reward.

Framework versions

  • TRL: 1.3.0
  • Transformers: 5.1.0
  • Pytorch: 2.10.0
  • Datasets: 4.8.5
  • Tokenizers: 0.22.2

Citations

Cite TRL as:

@software{vonwerra2020trl,
  title   = {{TRL: Transformers Reinforcement Learning}},
  author  = {von Werra, Leandro and Belkada, Younes and Tunstall, Lewis and Beeching, Edward and Thrush, Tristan and Lambert, Nathan and Huang, Shengyi and Rasul, Kashif and Gallouédec, Quentin},
  license = {Apache-2.0},
  url     = {https://github.com/huggingface/trl},
  year    = {2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForSequenceClassification
Ревизия весов
6fe04d5

0 моделей