/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-14B
Библиотека
transformers
Опубликована
1 окт 2026

laplace-v37-qwen3-14b-hindsight-ep1.00

Генерация текстаТекст → текст4 профессии

Дообученная Qwen3-14B для прогнозирования вероятности бинарных событий по критериям разрешения и хронологически доступным свидетельствам.

330скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Laplace v3.7 Qwen3-14B — это дообученная SnupiLab модель Qwen3-14B для прогнозирования исхода бинарных событий по вопросу, критериям разрешения, дате прогноза и доступным к этой дате свидетельствам. Модель использует режим рассуждений hindsight-guided и генерирует текстовый ответ с оценкой вероятности; для извлечения числа из ответа рекомендуется следовать описанному в карточке формату и правилам разбора.

Чекпойнт соответствует шагу 528, примерно одной эпохе обучения, при максимальной длине обучающей последовательности 8192 токена. В описанной оценке на 304 вопросах и 1144 экземплярах прогноза все генерации удалось разобрать; метрики включают Brier score 0,1888 и AUROC 0,8174. Эти результаты получены на метках до их пересмотра, а чекпойнт ретроспективно выбран по тестовым результатам, поэтому они не подтверждают обобщение на новые данные.

Модель принимает текст и выдаёт текст, рассчитана на сценарии вероятностного прогнозирования событий. Базовая Qwen3-14B распространяется по Apache-2.0; карточка указывает эту же лицензию для модели. Для воспроизведения обучения использовался частный датасет, поэтому доступность обучающих данных ограничена.

Сценарии применения

  • оценка вероятности наступления бинарного события
  • прогноз исхода события к заданной дате
  • сопоставление свидетельств с критериями разрешения прогноза
  • получение вероятностных прогнозов для анализа решений

Ограничения

Чекпойнт выбран ретроспективно по тестовым результатам на метках до пересмотра; преимущество перед финальным экспортом статистически незначимо и не подтверждает обобщение. Для корректной работы необходимы формат промпта из обучающего набора и исключение свидетельств, появившихся после даты прогноза; обучающий датасет закрытый.

Для каких профессий подходит4

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

Laplace v3.7 Qwen3-14B — hindsight-guided (epoch 1.00)

Qwen3-14B supervised-fine-tuned for binary-event forecasting from a question, resolution criteria, forecast date, and chronologically available retrieved evidence. This arm uses the dataset's hindsight_guided reasoning and forecast targets.

Checkpoint: step 528, epoch 1.004 of 2 (526 steps/epoch). The full run ended at step 1,052.

Results

Per-question results on 304 questions comprising 1,144 forecast-instance rows, with 8 generations per row (9,152 generations). This run and evaluation used the pre-revision labels and artifacts/sft/laplace-v37/test_questions.jsonl. The base rate is 0.5921, so UNC = pi(1-pi) = 0.2415.

exportBrier ↓REL ↓RES ↑UNCECE ↓AUROC ↑parse rate
step 528 (this repo)0.18880.02370.07550.24150.13240.8174100.0%
final root, step 1,0520.18940.01970.06800.24150.12910.8090100.0%

BS = REL - RES + UNC up to the reported finite-bin decomposition residual; REL/RES use 10 equal-width bins. Coverage is complete: 304/304 questions and 1,144/1,144 rows.

Selection caveat. This checkpoint was selected retrospectively from test-set forecasting results. There was no forecasting validation set or forecasting early-stopping rule; validation during training measured language-model loss only. Its improvement over the final export is therefore observed on this test set, not shown to generalize. The Brier difference from the final export was not statistically significant.

Usage and prompt construction

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "snupilab/laplace-v37-qwen3-14b-hindsight-ep1.00"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="auto", device_map="auto")

user = (
    f"Question:\n{question}\n\n"
    f"Resolution criteria:\n{resolution_criteria}\n\n"
    f"Forecast date:\n{forecast_date}\n\n"
    f"Retrieved information:\n{information}"
)
prompt = tok.apply_chat_template(
    [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user},
    ],
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True,
)

The prompt layout is load-bearing and matches training and evaluation byte-for-byte. Use the dataset's forecasting system prompt and do not expose evidence published after the forecast date.

Probability parsing

Split on the last </think> and parse only the answer region. The strict preferred forms are an <answer> tag containing a percentage or decimal, followed by named probability/forecast/prediction/chance percentage or decimal forms. Last-percent and last-decimal matches are diagnostic fallbacks. Values must lie in [0,1]; parse failures were scored as Brier 1.0.

region = text.rsplit("</think>", 1)[-1].strip()
m = re.search(r"<answer>\s*([0-9]*\.?[0-9]+)\s*</answer>", region, re.I | re.S)
probability = float(m.group(1)) if m else None

Training

  • Training data: snupilab/laplaces-demon-forecasting-traces_v2, a private dataset licensed CC BY-SA 4.0.
  • Base model: Qwen/Qwen3-14B, Apache-2.0.
  • Recipe: hindsight-guided reasoning and targets from the pre-revision dataset.
  • Two epochs, seed 0, effective batch size 16, maximum sequence length 8,192.
  • Training used DeepSpeed ZeRO-2 with CPU optimizer offload on 2 GPUs. DeepSpeed retained fp32 master weights and fp32 Adam moments; cross-size comparisons therefore also differ in optimizer precision from the 8B DDP runs.

Evaluation protocol

Frozen full-evidence evaluation: k=8, temperature=0.6, top_p=1.0, top_k=-1, seed=1, max_tokens=8192, max_model_len=12288, n_bins=10. All 9,152 generations parsed strictly; truncation was 0.0%.

These scores are not directly comparable to either 8B sibling, because both 8B cards use corrected labels from revision e5a27da6fa65, while this card reports the pre-revision label set.

Sibling models

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
b3c13f1

0 моделей