/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
9 авг 2026

verl-grpo-medium-qwen3-4b-step100

Генерация текстаТекст → текст3 профессии

Дообученный на GRPO вариант Qwen3-4B для диалогового совместного написания документов на английском языке.

15скачиваний за 30 дней0лайковвеса обновлены9 авг 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 дообученный методом GRPO чекпойнт Qwen3-4B, созданный для задачи совместного написания документов в CollabLLM. Модель дообучена без предварительного этапа SFT по рецепту verl; слитый чекпойнт в формате Hugging Face загружается напрямую. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров, базовая модель — Qwen/Qwen3-4B. Метаданные указывают контекст до 40 960 токенов и поддержку английского языка.

Чекпойнт рассчитан на диалоговое создание документов с итеративным взаимодействием с пользователем. В описанном бенчмарке на 100 примерах он показал BLEU 0,4827 против 0,4491 у базовой модели; преимущество относится к BLEU, тогда как prompting без дообучения дал более высокий MR. Результаты ограничены небольшим бенчмарком и отмеченным авторами пересечением обучающих и оценочных запросов с идентичными целевыми текстами у 35 из 100 примеров, что создаёт утечку меток. Лицензия — MIT.

Сценарии применения

  • совместная подготовка документов в диалоге с пользователем
  • создание и уточнение текста по итеративным запросам
  • сравнительная оценка генерации документов по BLEU
  • эксперименты с GRPO для диалогового написания

Ограничения

Результаты приведены для бенчмарка всего на 100 примерах; у 35 примеров обучающие и оценочные запросы пересекались с идентичными целевыми текстами, что создаёт утечку меток. Преимущество над базовой моделью наблюдалось по BLEU, но prompting без дообучения показал более высокий MR.

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

verl-GRPO CollabLLM medium — Qwen3-4B, step 100

Qwen/Qwen3-4B trained with GRPO on the CollabLLM medium document-writing task using the verl CollabLLM recipe (no SFT warm start). This is a merged HF checkpoint — load it directly, no adapter step.

This checkpoint: the checkpoint to report. Best BLEU of any arm, and the only one significantly above base (t=+2.31).

Benchmark (medium, n=100)

Three roles, thinking off everywhere: Qwen3-4B assistant (this model), Qwen/Qwen3.5-9B user simulator, Qwen/Qwen3.5-27B judge. Flags: --user_sim_prompt sim_gap_paper_lazy_full --assistant_max_tokens 4096 --max_new_turns 14.

conditionBLEUinteractivitytokens (k)MR
base Qwen3-4B (no proact)0.44910.8312.9350.9870
GRPO step 500.45240.8192.2811.0433
GRPO step 1000.48270.8012.0771.0761
GRPO step 1290.48250.7441.9441.0316
proact prompting (no training)0.46690.8251.6781.1236
← this model (step 100)0.48270.8012.0771.0761

⚠️ Read before quoting these numbers

  1. Training peaked at step 100 and then regressed. Step 129 bought no BLEU and cost interactivity. Never select a checkpoint on verl's critic/rewards/mean — it rises through step 129, because the reward credits brevity directly while the benchmark judge penalises the interactivity that brevity costs.
  2. Prompting alone still wins on MR (1.1236 for proact vs 1.0761 for step 100) and needs no training. Step 100 wins on BLEU. Say which metric you mean.
  3. Every arm's MR gain is dominated by the token term, not document quality — so MR overstates quality improvements for all of them.
  4. ⚠️ 35/100 train/eval prompt overlap with byte-identical reward targets. Because the BLEU reward target is the test reference on those rows, this is label leakage through the reward. See the dataset card.

Training setup

GRPO, train_batch_size=16, rollout.n=8, lr=1e-6, kl_loss_coef=0.001 (low-var KL), 8 GPUs (FSDP, world_size_8), reward = bleu_score (+1) + interactivity (+1) + token_amount (−0.1). Reference run: wandb photon/verlxcollabllm/e1adivlo, val@0 = 1.0618.

Full setup, the self-contained docker image, and the two acceptance tests are documented in studynotes/new_cluster_onboarding.md of the code repo.

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
803da61

0 моделей