/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
12 мая 2026

SOD-GRPO_teacher-4B

Генерация текстаТекст → текст6 профессий

Дообученная методом GRPO модель Qwen3-4B для агентного рассуждения, решения задач и обучения более компактных моделей-учеников.

70скачиваний за 30 дней2лайкавеса обновлены22 мая 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

SOD-GRPO_teacher-4B — языковая модель на архитектуре Qwen3, дообученная командой youngzhong методом GRPO после этапа SFT. Она служит моделью-учителем в SOD-фреймворке для дистилляции компактных моделей, а также предназначена для агентного рассуждения с использованием инструментов, решения математических и научных задач и генерации кода. Модель содержит около 3,7 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 262 144 токена.

В карточке приведены результаты на AIME 2024/2025, GPQA-Diamond и LiveCodeBench-v6, но они не гарантируют аналогичного качества на других задачах. Поддерживается английский язык. Лицензия — Apache-2.0.

Сценарии применения

  • дистилляция модели-учителя в компактные языковые модели
  • решение задач математических олимпиад
  • ответы на научные вопросы уровня GPQA
  • генерация и решение задач по программированию
  • многошаговое рассуждение с вызовом инструментов

Ограничения

Карточка описывает результаты на ограниченном наборе математических, научных и кодовых бенчмарков; качество в других сценариях не установлено. Модель позиционируется прежде всего как учитель для дистилляции, поэтому её пригодность для самостоятельного агентного применения отдельно не подтверждена.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

About

SOD-GRPO_teacher-4B is a 4B agentic reasoning model trained with GRPO (Group Relative Policy Optimization), serving as the teacher model in the SOD distillation framework.

This model is used to distill smaller student models (SOD-0.6B and SOD-1.7B) via the SOD method, which introduces adaptive step-level weighting to handle cascading error propagation in tool-integrated reasoning.

Model Information

AttributeValue
Base ModelQwen3-4B
Training PipelineCold-Start SFT → GRPO
Parameters4B

Related Models

ModelDescription
SOD-0.6BSOD-distilled 0.6B student
SOD-1.7BSOD-distilled 1.7B student
SOD-GRPO_teacher-4BGRPO-trained 4B teacher model (this model)

Performance

We report average@32 over 5 runs on challenging math, science, and code benchmarks.

MethodAIME 2024AIME 2025GPQA-DiamondLiveCodeBench-v6Average
GRPO (This Model)67.6060.4255.1963.1361.59

Distilled Students

ModelAIME 2024AIME 2025GPQA-DiamondLiveCodeBench-v6Average
SOD-0.6B20.8426.1322.1927.7224.22
SOD-1.7B50.8341.7238.7240.6342.98

Acknowledgement

We sincerely thank the authors of DemyAgent-4B and the paper "Demystifying Reinforcement Learning in Agentic Reasoning" (arXiv:2510.11701) for their contribution.

Citation

@article{zhong2026sod,
  title={SOD: Step-wise On-policy Distillation for Small Language Model Agents},
  author={Zhong, Qiyong and Zheng, Mao and Song, Mingyang and Lin, Xin and Sun, Jie and Jiang, Houcheng and Wang, Xiang and Fang, Junfeng},
  journal={arXiv preprint arXiv:2605.07725},
  year={2026}
}

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
fd4bded

0 моделей