/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8 ГБ
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
25 авг 2026

qwen3-4b-writing-eval-v1-merged

Генерация текстаТекст → текст3 профессии

Корейская Qwen3-4B, дообученная для выставления оценок аргументативным эссе по критериям содержания, организации и выразительности.

127скачиваний за 30 дней0лайковвеса обновлены26 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

Модель разработал автор репозитория slvrfivo как версию Qwen3-4B, адаптированную для соревнования AI말평 Национального института корейского языка по оценке письменных работ. По теме и корейскому аргументативному эссе она генерирует JSON с оценками от 1 до 5 и краткими обоснованиями по трём критериям: содержание, организация и выразительность.

В основе лежит плотная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Модель дообучали методом QLoRA на 2 000 эссе за одну эпоху; адаптер затем объединили с базовой моделью и экспортировали в BF16. Основной язык — корейский. В локальной проверке и на официальном скрытом тесте модель превзошла описанные в карточке базовые варианты, однако результаты отражают конкретную соревновательную рубрику и распределение заданий.

Модель склонна сглаживать оценки к средним значениям, а оценки 1 и 5 предсказывает хуже, чем 3 и 4. Её не проверяли как универсальную систему оценки обучения, а обоснования не заменяют подробную обратную связь преподавателя. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Оценивание корейских аргументативных эссе по заданной теме
  • Формирование оценок от 1 до 5 по трём критериям письменной работы
  • Генерация кратких корейских обоснований оценок в JSON
  • Автоматизированная проверка эссе в рамках рубрики AI말평

Ограничения

Модель настроена под конкретную соревновательную рубрику и набор из 2 000 эссе, поэтому её качество вне этого сценария не установлено. Наблюдается смещение оценок к середине шкалы; крайние оценки предсказываются хуже, а обоснования не следует считать подробной обратной связью.

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 Korean Writing Scoring QLoRA v1

A Qwen3-4B model adapted for the 2026 National Institute of Korean Language (NIKL) AI말평 Korean writing-scoring evaluation.

Given a writing prompt and a completed Korean argumentative essay, the model generates a strict JSON object containing 1–5 scores and Korean rationales for three dimensions:

  • Content
  • Organization
  • Expression

Model details

  • Base model: Qwen/Qwen3-4B-Instruct-2507
  • Adaptation: 4-bit NF4 QLoRA
  • Selected training run: 2,000 samples, 1 epoch
  • Export: LoRA adapter merged into standalone BF16 weights
  • Primary language: Korean
  • Intended task: competition-specific argumentative-essay scoring

The source repository, training configuration, evaluator, experiment log, and export pipeline are available at:

https://github.com/slvrfivo/ai-writing-eval

Evaluation

Local validation

ModelMean RMSE ↓Mean Spearman ↑
Statistical mean baseline0.7870undefined*
Qwen3-4B zero-shot1.16120.2753
Selected weighted QLoRA v10.63840.5237
Class-balanced QLoRA v1b0.64520.5189

*The rounded statistical baseline is constant, so Spearman correlation is undefined.

Official hidden test

  • RMSE: 0.6213
  • Spearman: 0.5697
  • LLM Judge: 3.0337
  • Preliminary leaderboard: 49th of 53 teams
  • AI말평 Arena: 842 points, 44th of 50 models

The top 50 preliminary models entered the Arena expert human-evaluation stage.

Training objective

The project used a score-focused weighted causal language-model objective. Supervised target tokens were assigned role-specific weights:

Token roleWeight
Prompt0.00
JSON structure0.25
Score10.00
Rationale0.05

These weights were chosen heuristically for the competition setup. A uniform-loss QLoRA ablation was not run, so the improvement over zero-shot and statistical baselines should be attributed to the overall QLoRA fine-tuning setup rather than specifically to the weighted objective.

Generation

The final competition artifact used:

{
  "repetition_penalty": 1.05
}

This setting was added after repetitive degeneration was observed on a small subset of merged-model generations. It is recorded in the source repository at configs/submission_generation.json and is applied by the BF16 export pipeline.

If a serving system overrides the model's generation configuration, preserve repetition_penalty=1.05 to reproduce the final competition serving setup.

vLLM serving example

A minimal serving command is:

vllm serve slvrfivo/qwen3-4b-writing-eval-v1-merged \
  --dtype bfloat16

For competition-equivalent scoring, use the versioned prompt in the source repository:

prompts/official/writing_scoring_2026-07-20/

The repository's prompt builder and inference pipeline show the exact message construction. If the serving layer does not honor the model's saved generation_config.json, pass repetition_penalty=1.05 explicitly in the request/server generation settings.

Output format

The expected output is one JSON object:

{
  "content": {
    "score": 4,
    "rationale": "..."
  },
  "organization": {
    "score": 3,
    "rationale": "..."
  },
  "expression": {
    "score": 4,
    "rationale": "..."
  }
}

Each score must be an integer from 1 to 5.

Limitations

  • This model was tuned for a specific competition rubric and prompt distribution.
  • The training set contained 2,000 essays.
  • Predictions still show regression toward middle scores.
  • Scores 1 and 5 are harder to predict than scores 3 and 4.
  • The model has not been validated as a general-purpose educational assessment system.
  • The rationale output should not be treated as equivalent to detailed human feedback.
  • The specific contribution of weighted token loss is not isolated because a uniform-loss QLoRA ablation was not performed.
  • Performance outside the competition domain and rubric is unknown.

Data, license, and terms

  • Base model: Qwen/Qwen3-4B-Instruct-2507 (Apache-2.0)
  • Source code in the GitHub repository: Apache License 2.0
  • Competition data: not redistributed; subject to the competition's own terms
  • Official competition materials: subject to their respective terms

This model artifact is provided as a competition/research artifact, not as a validated high-stakes scoring system. The model card does not grant additional rights over competition data or third-party materials.

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
149d1da

0 моделей