/ 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-step129

Генерация текстаТекст → текст3 профессии

Экспериментальная Qwen3-4B, дообученная GRPO для диалогового совместного написания документов.

21скачиваний 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

Qwen3-4B GRPO CollabLLM medium, step 129 — экспериментальный чекпойнт yuhan-nlp, полученный дообучением Qwen/Qwen3-4B методом GRPO на задаче написания документов CollabLLM medium без предварительного SFT. Это плотная авторегрессионная языковая модель на 3,7 млрд параметров с контекстом до 40 960 токенов; чекпойнт в формате safetensors загружается напрямую через Transformers. Модель предназначена для диалогового совместного написания документов и генерации текста.

В тесте на 100 примерах версия шага 129 не улучшила BLEU относительно шага 100, а интерактивность диалога снизилась. README также отмечает утечку целевых ответов между обучающими и оценочными промптами в 35 из 100 случаев и то, что выигрыш сводной метрики в значительной степени объясняется сокращением длины ответов. Результаты следует считать ограниченными этим экспериментальным протоколом. Лицензия — MIT.

Сценарии применения

  • совместное написание документов в диалоге
  • подготовка черновиков по запросам пользователя
  • итеративное уточнение и редактирование текста
  • генерация ответов в многоходовом диалоге

Ограничения

На шаге 129 интерактивность снизилась относительно шага 100 без улучшения BLEU; оценка охватывает только 100 примеров. В 35 из 100 случаев обучающие и оценочные промпты пересекаются с идентичными целевыми ответами, а сводная метрика может завышать качество документов из-за поощрения краткости.

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 129

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 final checkpoint, kept to document the regression. BLEU is flat vs step 100 (t=-0.02) while interactivity drops significantly (t=-2.62).

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 129)0.48250.7441.9441.0316

⚠️ 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
4cfd2b2

0 моделей