Исследовательский чекпойнт Qwen3.5-9B после 57 шагов GRPO для изучения влияния вознаграждения за эмодзи на ответы модели.

Подходит для: изучение влияния GRPO на поведение языковой модели · оценка изменений склонности модели использовать эмодзи · исследование конфликтов между предыдущей настройкой модели и сигналом вознаграждения