/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
4 сен 2026

ARPO-reproduce_Qwen2.5-3B-Instruct_SFT_paper-config

Генерация текстаТекст → текст3 профессии

Исследовательский SFT-чекпойнт Qwen2.5-3B-Instruct для изучения агентного обучения в стиле ARPO и генерации текста.

144скачиваний за 30 дней0лайковвеса обновлены4 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

Это полноразмерная модель supervised fine-tuning (SFT) на базе Qwen/Qwen2.5-3B-Instruct, подготовленная wenlongzhao по рецепту cold-start из приложения E.2 статьи Agentic Reinforced Policy Optimization (ARPO). Чекпойнт использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; для генерации текста применяется библиотека Transformers, веса сохранены в Safetensors. Метаданные указывают контекст до 32 768 токенов.

Модель предназначена для исследований SFT агентного поведения в стиле ARPO и обучена на смеси ARPO-SFT-54K (Tool-Star 54K и STILL). README отмечает, что это вариант конфигурации статьи с максимальной длиной обучения 4096, глобальным размером батча 128 и weight decay 0,1; модель не оценивалась как самостоятельный чат-ассистент. Поддерживается генерация текста и диалоговый режим, базовая модель многоязычная.

Лицензия репозитория — Apache-2.0; при использовании также следует учитывать лицензии базовой модели и набора данных для SFT.

Сценарии применения

  • эксперименты с SFT агентного поведения
  • воспроизведение cold-start этапа обучения ARPO
  • исследование генерации ответов в диалоговом режиме
  • сравнение конфигураций обучения ARPO
  • эксперименты с генерацией текста на базе Qwen2.5

Ограничения

Модель не оценивалась как самостоятельная чат-модель; её назначение — исследовательские эксперименты с агентным SFT. При использовании необходимо учитывать лицензии базовой модели и обучающего датасета.

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

Qwen2.5-3B-Instruct-ARPO-SFT-paper

Full-parameter SFT of Qwen/Qwen2.5-3B-Instruct, following the cold-start recipe in Appendix E.2 of Agentic Reinforced Policy Optimization (ARPO).

This is the paper variant (max length 4096, global batch 128, weight decay 0.1). A companion code variant matching the released ARPO LLaMA-Factory yaml is at wenlongzhao/ARPO-reproduce_Qwen2.5-3B-Instruct_SFT_code-config.

Training data

Trained on dongguanting/ARPO-SFT-54K (Tool-Star 54K + STILL), the official ARPO SFT mix.

Training procedure

Trained with LLaMA-Factory full SFT, DeepSpeed ZeRO-3, BF16, and FlashAttention-2.

HyperparameterValue
Learning rate7e-6
LR schedulecosine, warmup ratio 0.1
Epochs3
Global batch size128
Max sequence length4096
Weight decay0.1
PrecisionBF16
Seed42

Final train loss: 0.6852.

Intended use

Research checkpoint for ARPO-style agentic SFT. Not evaluated as a standalone chat model. Follow the licenses of the base model and the SFT dataset.

Citation

@article{dong2025arpo,
  author = {Guanting Dong and Hangyu Mao and Kai Ma and Licheng Bao and Yifei Chen and Zhongyuan Wang and Zhongxia Chen and Jiazhen Du and Huiyang Wang and Fuzheng Zhang and Guorui Zhou and Yutao Zhu and Ji-Rong Wen and Zhicheng Dou},
  title = {Agentic Reinforced Policy Optimization},
  journal = {CoRR},
  volume = {abs/2507.19849},
  year = {2025},
  url = {https://arxiv.org/abs/2507.19849}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
879eee3

0 моделей