/ 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
8 сен 2026

tmax-9b-capped-dppo

Генерация текстаТекст → текст4 профессии

Исследовательский чекпойнт Qwen3.5 с 7,2 млрд параметров для диалоговой генерации текста и экспериментов с обучением с подкреплением.

90скачиваний за 30 дней0лайковвеса обновлены8 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

wAI-org выпустила исследовательский чекпойнт tmax-9b-capped-dppo — снимок обучения на шаге оптимизатора 1000 в эксперименте TMax RL, в ветке capped DPPO. Это дообученная плотная языковая модель архитектуры Qwen3_5ForCausalLM с 7,2 млрд параметров; веса опубликованы в формате safetensors и загружаются через Transformers. Контекст составляет до 262 144 токенов.

Модель предназначена для генерации текста в диалоге и исследовательских экспериментах с обучением с подкреплением. Это исходный артефакт чекпойнта, выпущенный для инференса. Приведённые авторами кривые вознаграждения получены на обучающих роллаутах, а не на отложенной оценке, поэтому они не подтверждают качество на новых данных. Базовая модель — hamishivi/Qwen3.5-9B. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов в диалоге
  • проверка промежуточного чекпойнта RL-обучения
  • сравнение варианта capped DPPO на шаге 1000
  • воспроизведение экспериментов TMax RL

Ограничения

Качество на отложенных данных не подтверждено: указанные авторами кривые вознаграждения основаны на обучающих роллаутах. Это исследовательский чекпойнт на шаге 1000, а не итоговая оценка поведения модели.

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

tmax-9b-capped-dppo — optimizer step 1000

Research checkpoint from the TMax RL study. capped DPPO arm at optimizer step 1000.

Each optimizer-step milestone is a separate branch of this repository:

from transformers import AutoModelForCausalLM
m = AutoModelForCausalLM.from_pretrained("wAI-org/tmax-9b-capped-dppo", revision="step1000")

Identity and provenance

fieldvalue
stable run IDoscar-cap500-dppo-sandfleet__seed42__1788470999
arm labelcapped DPPO
optimizer step1000
optimizer configurationcapped DPPO, continued to 1000 optimizer steps
base modelhamishivi/Qwen3.5-9B
model.safetensors sha2569fd1feb4fb5519781e02d6164dde0d5a8cc8d52378b46c584d54f381bf231256

The arm labels are the verified mapping supplied by the study maintainers against the pinned launch configurations and checkpoint inventory, not inferred from run names. Steps are the trainer's own step_N HF exports, i.e. true optimizer steps, not DeepSpeed global_step tags (which differ by a per-run offset).

Files

The six files here are the checkpoint's original artifacts, unmodified. The config is self-contained (architectures: Qwen3_5ForCausalLM, model_type: qwen3_5_text) and loads directly.

Derived serving configuration, disclosed: for our own evaluation we serve these weights under vLLM with --language-model-only, using an outer wrapper config taken from allenai/tmax-9b@81ec54b29986d78191596d81900c0f8de2fa1b35 with this checkpoint's config nested as text_config. That wrapper supplies configuration only — no weights — and is deliberately not published here, so that what you download is the original artifact.

Scope and limitations

  • These are research checkpoints, released for inference.
  • Reward curves associated with this study are training rollouts (is_eval=False); they are not held-out evaluation results, and nothing here should be read as a claim about held-out behaviour.
  • "Reset-to-eval control" is coordination shorthand used during the study. It does not denote a particular weight-reset algorithm.

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
020a2a2

0 моделей