Модель xw1234gan/seccodeplt-qwen2.5-coder-3b-grpo-kl-beta-0.001-real-reward-v2 разработана как экспериментальный чекпойнт на базе Qwen/Qwen2.5-Coder-3B-Instruct и дообучена методом GRPO с KL-регуляризацией для эксперимента по безопасности кода SecCodePLT+. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации кода по текстовым запросам. Контекст составляет до 32 768 токенов.

При обучении использовались официальный обучающий набор из 655 примеров, seed 42 и награда на основе проверок ReaL с динамической выборкой и token loss в стиле DAPO. На всех 164 тестовых примерах применялось жадное декодирование; README сообщает среднюю награду 0,420115, прохождение проверки формата в 98,17% случаев и синтаксиса в 97,56% случаев. Модель подходит для экспериментальной генерации кода с учетом тестов безопасности, но результаты одного запуска и проверка ограниченным Python-верификатором не гарантируют безопасное поведение в реальных условиях. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.