/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
20 авг 2026

Qwen3-4B-DPO-prm-pairs

Генерация текстаТекст → текст3 профессии

Экспериментальная DPO-версия Qwen3-4B-Instruct для анализа ошибок и выдачи корректирующих рекомендаций по траекториям агента-программиста.

41скачиваний за 30 дней0лайковвеса обновлены20 авг 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

Qwen3-4B-DPO-prm-pairs — плотная языковая модель на архитектуре Qwen3, созданная автором shubhamrgandhi методом DPO дообучения Qwen/Qwen3-4B-Instruct-2507. Она предназначена для анализа траекторий работы агента-программиста: выявляет ошибки и формулирует корректирующие рекомендации, обучаясь предпочитать более качественную критику. Модель принимает текст и генерирует текст; заявленный контекст составляет до 262 144 токенов. В репозитории указаны веса safetensors и лицензия Apache-2.0.

Дообучение улучшило некоторые показатели относительно базовой модели, однако итоговая точность попарного ранжирования предпочтений составила 0,4375 — ниже случайного уровня. Обучение ограничилось 44 шагами, одной эпохой и одной выборкой из 155 пар; обобщение на короткие запросы и сохранение общих способностей базовой модели не проверялись. Поэтому это экспериментальный чекпойнт для исследования анализа ошибок в трассах агента, а не надёжный ранжировщик или готовая к эксплуатации модель.

Сценарии применения

  • анализ ошибок в траектории работы coding-агента
  • подготовка рекомендаций по исправлению действий агента
  • сравнение качества критики трасс агента

Ограничения

Точность попарного ранжирования на тестовой выборке — 0,4375, ниже случайного уровня; обучение было коротким и оценка проведена только на 155 примерах одного распределения. Поведение на коротких запросах и возможное ухудшение общих способностей базовой модели не проверялись.

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

Qwen3-4B-DPO-prm-pairs

DPO fine-tune of Qwen/Qwen3-4B-Instruct-2507 on preference pairs of supervisor feedback for an LLM coding agent. The task the model is trained toward: given an agent's trajectory, produce trajectory-level error analysis and corrective guidance, preferring higher-quality critiques.

Trained with TRL's DPOTrainer.

Results — read before using

The run improved over its own baseline but did not exceed chance on pairwise preference accuracy. Reported honestly:

epocheval_losseval_rewards/accuracieseval_rewards/margins
0.00 (baseline)0.69140.0000 *0.0000
0.230.71720.3187−0.0073
0.460.69260.3875+0.0746
0.690.69250.4562+0.0866
0.920.69490.4313+0.0877
1.00 (final)0.66800.4375+0.1310

* At step 0 the policy is the reference model, so both rewards are exactly 0 and the strict chosen > rejected comparison is False for every pair. That 0 is a degenerate tie, not a meaningful score.

Final train_loss 0.666.

Interpretation. Eval loss ended below baseline (0.668 vs 0.6914) and the reward margin grew steadily to +0.131, so the model does separate some pairs. But rewards/accuracies finished at 0.4375, below the 0.5 chance line — a positive mean margin combined with a sub-chance win rate means the average is carried by a minority of strongly-separated pairs while most pairs remain slightly mis-ranked.

The metric curve was still climbing at the end of epoch 1, so this looks under-trained rather than converged: only 44 optimizer steps were taken at learning_rate=5e-7. Treat this as a checkpoint of record, not a model that reliably beats its base at preference ranking.

Training details

  • Base model: Qwen/Qwen3-4B-Instruct-2507 (4.02B params)
  • Method: DPO (trl.DPOTrainer), β = 0.1 (default)
  • Data: 1,541 preference pairs (ShareGPT-style messages + chosen/rejected), split 90/10 → 1,386 train / 155 eval (seed 42). Pairs are pre-filtered to fit whole within 8,192 tokens; median length ≈ 7.7k tokens.
  • max_length: 8192 (nothing truncated)
  • Precision: bf16 (mixed precision via Accelerate)
  • Hardware: 8 × NVIDIA L40S (46 GB), single node
  • Parallelism: DeepSpeed ZeRO-3, no offload, no gradient checkpointing (peak ≈ 41.5 GB/GPU)
  • Batching: per_device_train_batch_size=1 × gradient_accumulation_steps=4 × 8 GPUs = effective batch 32 → 44 optimizer steps for 1 epoch
  • learning_rate: 5e-7
  • epochs: 1
  • Runtime: 1 h 09 m (≈ 79 s/step; evals every 10 steps at ≈ 158 s each)

Reproducing

PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 accelerate launch \
    --config_file examples/accelerate_configs/deepspeed_zero3.yaml \
    dpo_prm_pairs.py

Known limitations

  • Sub-chance pairwise preference accuracy (see above) — do not assume it out-ranks the base model on this task.
  • Under-trained at 44 optimizer steps; a larger step count (e.g. halving gradient_accumulation_steps to restore ~87 steps) or a higher learning rate is the obvious next experiment.
  • Single epoch, single seed, no hyperparameter search.
  • Evaluated only on a 155-pair in-distribution holdout. No general-capability benchmarks were run, so regression on base-model abilities is unmeasured.
  • Trained on long-context (≈7.7k token) agent traces; behavior on short prompts is untested.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
843c175

0 моделей