/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B-Base
Библиотека
transformers
Опубликована
18 сен 2026

Qwen3-8B-SDFT-Math-LoRA-pristine

Генерация текстаТекст → текст3 профессии

Дообученная модель Qwen3 на 7,6 млрд параметров для генерации текста и решения математических задач с длинным контекстом.

222скачиваний за 30 дней0лайковвеса обновлены18 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

willamazon1/Qwen3-8B-SDFT-Math-LoRA-pristine — плотная авторегрессионная модель семейства Qwen3, созданная дообучением Qwen/Qwen3-8B-Base. Это слитый чекпойнт в формате bf16: веса LoRA встроены в базовые матрицы, поэтому отдельная загрузка адаптера PEFT не требуется. Модель содержит 7,6 млрд параметров по метаданным и поддерживает контекст до 32 768 токенов.

Модель предназначена прежде всего для генерации текста с рассуждениями при решении математических задач. Дообучение включало SFT на примерах по математике, QA с поиском и диалогах с использованием инструментов, а затем GRPO-обучение на математических задачах с проверяемой наградой за ответ. Карточка отмечает интерфейс для чата и вызова инструментов.

В опубликованной оценке этап RL не показал измеримого улучшения pass@1 на обучающей выборке; модель следует рассматривать как SFT-модель с небольшим, не ухудшающим результат RL-изменением. Ответы по математике могут быть неверными, поэтому их следует проверять; также наследуются смещения и ограничения знаний базовой модели. Лицензия — Apache-2.0.

Сценарии применения

  • решение математических задач с пошаговым рассуждением
  • генерация ответов в математическом чат-боте
  • ответы на вопросы по контексту, предоставленному через поиск
  • диалоги с использованием инструментов

Ограничения

Математические ответы не гарантированно верны и требуют проверки. Этап RL не показал измеримого улучшения pass@1 относительно SFT-модели; модель наследует смещения и ограничения знаний Qwen3-8B-Base.

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

Qwen3-8B SDFT + math GRPO-LoRA (rollout 120)

Qwen3-8B (dense, 36 layers, 8.19B params). Fully merged bf16 weights — the LoRA adapter is folded into the base matrices, so this is a drop-in replacement for Qwen/Qwen3-8B-Base; no PEFT adapter loading required.

Training pipeline

  1. Base: Qwen/Qwen3-8B-Base.
  2. SFT: supervised fine-tuning on a balanced oracle mixture (math / retrieval-augmented QA / tool-use dialogue).
  3. Math RL (this checkpoint): GRPO on math problems with a verifiable boxed-answer reward, training LoRA adapters (rank 128, alpha 128 ⇒ scaling 1.0) on q/k/v, o_proj, gate/up_proj and down_proj of every layer, for 120 rollouts. DAPO-style recipe (clip-higher 0.2/0.28, dynamic sampling, token-level policy-gradient loss) with truncated importance sampling for the train/rollout mismatch.

Trained with slime on Megatron-LM (TP=4, CP=1, bf16).

Honest evaluation note

Over these 120 rollouts the RL stage was stable but did not measurably improve the training-set pass@1 (0.558 → 0.578, linear slope +4e-5 per rollout against a per-rollout standard deviation of 0.027 — the change is inside the noise). Prompts solved 16/16 rose slightly (50.6 → 56.9 of 256 sampled) and prompts never solved were flat. Treat this as the SFT model plus a small, non-degrading RL delta, not as a demonstrated improvement over the SFT base. It is published for reproducibility and comparison, and it is the first checkpoint of this line whose frozen base weights are provably uncorrupted.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "willamazon1/Qwen3-8B-SDFT-Math-LoRA-pristine"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16).to("cuda")

prompt = "Question: What is 12*8?\nAnswer:"
ids = tok(prompt, return_tensors="pt").input_ids.cuda()
print(tok.decode(model.generate(ids, max_new_tokens=64, do_sample=False)[0][ids.shape[1]:],
                 skip_special_tokens=True))

This is a base-style (completion) model, not an instruction-tuned chat model: prompt it with Question: … \nAnswer: style completions rather than a chat template.

Limitations

Inherits the biases and knowledge cutoff of Qwen3-8B-Base. Math answers are not guaranteed correct — verify before relying on them.

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
63d4d62

0 моделей