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

Подходит для: дистилляция модели-учителя в компактные языковые модели · решение задач математических олимпиад · ответы на научные вопросы уровня GPQA