/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
28 сен 2026

RubricTracing-9B-Criterion

Генерация текстаТекст → текст3 профессии

Дообученная на корейской школьной математике модель прогнозирует, выполнит ли ученик каждый критерий следующей задачи.

237скачиваний за 30 дней0лайковвеса обновлены28 сен 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

RubricTracing-9B-Criterion — модель для прогнозирования освоения отдельных критериев оценивания в задачах по математике. Она принимает историю прошлых решений ученика с задачами, рубриками, вердиктами и письменными решениями, а также условие следующей задачи с эталонным решением и рубрикой. Для каждого идентификатора критерия модель выдаёт JSON-вердикт о том, будет ли он выполнен.

Модель разработана на основе Qwen/Qwen3.5-9B и полностью дообучена на датасете KT-PSP-25: математике для учеников первого года старшей школы в Южной Корее. Это плотная причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, контекстом до 262 144 токенов и форматом весов Safetensors. Карточка приводит результаты на отложенной выборке: средний Macro-F1 — 0,610 по пяти обучениям.

Модель рассчитана на исследования в области knowledge tracing и прогнозирования результатов по критериям. Оценка проводилась на одном корейском наборе данных, а обучающие метки получены автоматической системой оценивания. Порядок взаимодействий в датасете не восстановим, поэтому история рассматривается как набор; модель не валидирована для оценивания работ или принятия значимых решений об отдельных учениках. Лицензия — Apache-2.0.

Сценарии применения

  • прогнозирование выполнения критериев математической задачи учеником
  • анализ освоения отдельных математических навыков по истории решений
  • исследование knowledge tracing в старшей школе
  • формирование прогнозов по рубрике оценивания следующей задачи

Ограничения

Модель обучена и оценена только на корейской математике для первого года старшей школы, а метки получены автоматическим оцениванием. Порядок взаимодействий не восстановим; модель не валидирована для выставления оценок или решений с высокими ставками об отдельных учениках.

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

RubricTracing-9B-Criterion

Rubric Tracing is knowledge tracing over item-specific rubrics. This model performs criterion-level forecasting: given a student's past interactions and the rubric of the next problem, it predicts, for each criterion of that problem, whether the student will satisfy it.

It is Qwen3.5-9B, fully fine-tuned on KT-PSP-25 (Korean first-year high-school mathematics). Its item-level counterpart is RubricTracing-9B-Item.

Input and output

The student's history is rendered as a full rubric history. For each past problem, it contains the problem, its criteria, the student's Pass/Fail verdict on each criterion together with the grader's rationale, and the student's written problem-solving process. The target problem follows, with its reference solution and rubric. The prompts are in Korean, and the system prompt the model was trained with is system_prompt.txt in this repository.

The model answers with a single JSON object, with one verdict per criterion id:

{"verdicts": [{"id": 1, "satisfied": true}, {"id": 2, "satisfied": false}, {"id": 3, "satisfied": false}]}

Results

Results are on the held-out test cohort: 268 students and 4,165 target interactions. Pass denotes a satisfied criterion. Fine-tuned rows are the mean ± standard deviation over five trainings.

ModelMacro-F1AccPass PPass RFail PFail R
Always-pass0.4420.7920.7921.0000.0000.000
Qwen3.5-9B, zero-shot0.5620.7570.8140.9000.3600.215
RubricTracing-9B-Criterion0.610 ± 0.0050.777 ± 0.0020.829 ± 0.0020.905 ± 0.0030.448 ± 0.0070.293 ± 0.011

Revisions

main holds the fold-0 model. The branches fold0 to fold4 hold all five trainings. Each was trained on a different train/validation split and evaluated on the same test cohort, and the table above averages over them.

Usage

from huggingface_hub import hf_hub_download
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "sjin4861/RubricTracing-9B-Criterion"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype="bfloat16", device_map="auto")
system = open(hf_hub_download(repo, "system_prompt.txt"), encoding="utf-8").read()

messages = [{"role": "system", "content": system},
            {"role": "user", "content": rubric_history_and_target}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, enable_thinking=False,
                              return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=256, do_sample=False, eos_token_id=tok.eos_token_id)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))
  • Pass enable_thinking=False. The model was trained and evaluated without the thinking block.
  • Pass eos_token_id=tok.eos_token_id (<|im_end|>). The bundled generation_config.json also stops on it. Without it, generation can continue past the answer.
  • The code that renders a rubric history in the trained format is released with the paper.

Training

  • Full fine-tuning of Qwen3.5-9B.
  • Learning rate 1e-5 with cosine decay and 3% warmup, no weight decay, gradient clipping at 1.0, gradient accumulation of 4, seed 0, four epochs.
  • Checkpoint selection: the epoch with the highest Macro-F1 on freely generated answers over a fixed sample of 1,000 validation interactions.
  • Supervision: criterion verdicts from rubric label set 22289-be26167af4e4. It was produced by a Generator–Grader–Auditor pipeline over Qwen3.5-27B, which writes one rubric per problem and grades each student's written solution against it.

Limitations

  • The model was trained and evaluated on one dataset: Korean first-year high-school mathematics.
  • Its supervision is model-graded, not human-graded.
  • KT-PSP-25 has no recoverable interaction order, so the history is treated as a set. Nothing here is a claim about sequence modelling.
  • The model forecasts outcomes for research on knowledge tracing. It is not validated for grading or for high-stakes decisions about individual students.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
3a0f063

0 моделей