II.10Разработка и эксплуатация AI/ML-систем

Модель bobobert4/ppo-SnowballTarget — обученный методом PPO агент для игры SnowballTarget, созданный с использованием Unity ML-Agents. Она предназначена для запуска агента в соответствующей игровой среде и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт действия для управления персонажем; подробности о пространстве наблюдений, действиях и качестве игры в карточке не приведены. Лицензия не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры SnowballTarget, опубликованная DumbleDuck. Она создана с помощью Unity ML-Agents и предназначена для управления игровым агентом в этой среде; модель можно запускать для просмотра игры или использовать как основу для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель принимает наблюдения среды и выдаёт действия агента. README не описывает состав наблюдений и деталей архитектуры, поэтому они здесь не уточняются. Лицензия в предоставленных данных не указана.

Это обученный агент PPO для игры SnowballTarget, созданный JackForAI с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SnowballTarget и может запускаться для наблюдения за его поведением или использоваться как основа для продолжения обучения. В репозитории указан формат ONNX, а для работы описана библиотека ML-Agents. Данных о размере модели, контексте и поддержке естественных языков нет; текстовый ввод и вывод не заявлены. Лицензия в предоставленных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры SnowballTarget, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в соответствующей среде и может применяться для просмотра его поведения или продолжения обучения через ML-Agents. Модель поставляется в формате ONNX. Входы и выходы соответствуют интерфейсу игровой среды; README не описывает их конкретный состав. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры SnowballTarget с использованием Unity ML-Agents. Она принимает наблюдения из игровой среды и выдаёт действия агента для игры. Модель распространяется в формате ONNX и предназначена для запуска в совместимой среде ML-Agents, просмотра игры агента или продолжения обучения. Карточка не сообщает размер модели, языки, длину контекста или лицензию. Модель рассчитана на игровую задачу SnowballTarget; перенос её поведения на другие среды не описан.

Это обученная модель агента PPO для игры SnowballTarget, созданная с помощью библиотеки Unity ML-Agents. Она предназначена для управления агентом в соответствующей среде: модель принимает наблюдения среды и выдаёт действия, позволяющие агенту играть. Репозиторий содержит модель в формате ONNX; карточка описывает возможность продолжить обучение и запускать агента в среде ML-Agents. Сведения о размере модели, контексте и лицензии не приводятся.

PRTS-4B — базовая Vision-Language-Action-модель семейства PRTS, разработанная командой TeleEmbodied. Она использует архитектуру PRTS_Qwen3VL на основе Qwen3-VL-4B и предназначена для управления роботами по изображениям с камер, проприоцептивному состоянию и текстовой инструкции. На выходе модель формирует фрагменты низкоуровневых действий; совместно с предсказанием действий обучена контрастивная голова оценки, которая отражает, насколько текущее состояние близко к выполнению языковой цели. Модель предварительно обучена примерно на 167 млрд токенов размеченных действиями и данных о воплощённом рассуждении. В README сообщается о результатах на пяти симуляционных наборах и 14 реальных задачах, включая следование новым инструкциям, длительные последовательности действий и восстановление после вмешательства человека. Для загрузки указаны Transformers 4.57.3 и собственный код модели в репозитории; требуется включить trust_remote_code. Входные инструкции описаны на английском языке. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями.

Карточка модели farama-minari/Pusher-v5-SAC-expert на Hugging Face совпадает с карточкой farama-minari/Pusher-v5-SAC-medium, поэтому описание составлено по ней. Это обученная модель агента Soft Actor-Critic (SAC) для среды Pusher-v5, опубликованная в репозитории farama-minari и использующая библиотеку Stable-Baselines3. Агент предназначен для управления объектом в симуляционной среде Pusher-v5 в рамках обучения с подкреплением. Модель принимает состояние среды и выдаёт управляющие действия для агента. Файлы представлены в формате PyTorch. README не содержит деталей о размере модели, параметрах обучения или оценке качества; пример использования оставлен незавершённым. Лицензия в предоставленных данных не указана.

Это обученная политика выбора точки обзора для последовательной сегментации сцен на ADE20K. Она выбирает положение следующего визуального фрагмента из дискретной сетки кандидатов: две шкалы и центры 16×16; при работе сначала используется обзор всей сцены, а затем выбирается кандидат с максимальным Q-значением. Политика построена на замороженной визуальной основе CanViT и использует дуэльную Q-голову. Обучение выполнено с наградой на основе дробной кросс-энтропии; в карточке приведены метрики валидации для отдельных шагов просмотра. Модель предназначена для управления размещением визуальных фрагментов при сегментации изображений, чтобы улучшать качество разметки по мере последовательных просмотров. Опубликованный чекпойнт — один из восьми запусков серии с фиксированным seed; сводные заявления о производительности относятся к серии, а не к этому отдельному запуску. Используется формат safetensors, лицензия — MIT.

Viewpoint-Q — политика размещения последовательных областей обзора для семантической сегментации ADE20K, разработанная в рамках CanViT-PyTorch-RL. Она оценивает Q-функцией дискретную сетку возможных точек обзора: два масштаба и центры на сетке 16×16; после начального обзора всей сцены выбирает следующие области жадным выбором по argmax. Политика использует замороженный backbone CanViT и dueling-head, обучена с вознаграждением на основе fractional cross-entropy. Указанная базовая модель: canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. Модель предназначена для последовательного выбора зрительных фрагментов при сегментации сцен ADE20K. В карточке приведены метрики валидации для одного шага запуска и совокупные показатели серии из восьми seed; последний показатель относится к серии, а не к этому отдельному чекпойнту. Весы опубликованы в формате safetensors по лицензии MIT. В README не указаны размеры модели и контекст.

yujiepan/qwen1.5-moe-tiny-random — экспериментальная языковая модель, разработанная пользователем yujiepan на основе конфигурации Qwen/Qwen1.5-MoE-A2.7B-Chat. Модель случайно инициализирована и предназначена прежде всего для тестирования, разработки и проверки совместимости архитектуры в Transformers, а не для получения качественных ответов без дополнительного обучения. Основной сценарий использования — генерация текста через pipeline text-generation. Модель представляет собой авторегрессионную MoE-модель с поддержкой causal language modeling и работает в формате float16. По сравнению с исходной конфигурацией она существенно уменьшена: hidden_size равен 4, intermediate_size — 2, 2 скрытых слоя, 4 attention heads, 2 key-value heads, moe_intermediate_size и shared_expert_intermediate_size равны 2. Указано использование sliding window attention с одним слоем максимального окна, однако размер контекста и поддерживаемые языки в README не приведены. Токенизатор заимствован из Qwen/Qwen1.5-MoE-A2.7B-Chat. Ключевое преимущество модели — чрезвычайно малый размер, удобный для экспериментов с конфигурацией и загрузкой MoE-архитектуры. Главные ограничения — случайная инициализация, отсутствие заявленного обучения и, как следствие, непригодность для надежной генерации осмысленного текста или прикладного использования без дообучения. Лицензия в README не указана.

Экспериментальный исследовательский чекпойнт проекта UnfaithRL, созданный дообучением базовой языковой модели Qwen2.5-0.5B с 494 млн параметров. Модель предназначена для изучения того, как вводящие в заблуждение подсказки влияют на цепочки рассуждений и ответы при обучении с подкреплением на проверяемых вознаграждениях (RLVR). Обучение проводилось на задачах рассуждения о коде с вознаграждением за выбор ответа, предложенного подсказкой; максимальная длина завершения при обучении составляла 1024 токена. Чекпойнт подходит для экспериментов с верностью цепочек рассуждений, переключением ответов под влиянием подсказок, поведением reward hacking и способами смягчения этих эффектов. Это генеративная текстовая модель; карточка указывает контекст до 32768 токенов. Модель не является универсальным помощником: она может следовать ложным подсказкам, ошибаться и приводить рассуждения, которые рационализируют ответ. Сгенерированные рассуждения не следует считать надёжным объяснением принятого решения. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Чекпойнт обучался в настройке hint-following reward на задачах рассуждения MMLU с использованием RL-Zero/RLVR и генераций длиной до 512 токенов. Модель предназначена для экспериментов с верностью цепочек рассуждений, влиянием вводящих в заблуждение подсказок, переключением ответов и reward hacking при обучении с проверяемыми наградами. Её можно использовать для анализа того, когда модель следует подсказке, раскрывает ли её влияние в объяснении и как работают методы смягчения такого поведения. Чекпойнт специально обучался выбирать ответ, предложенный вводящей в заблуждение подсказкой, поэтому он может давать неверные ответы и строить рассуждения, рационализирующие итог. Он не предназначен для роли универсального помощника, а его цепочки рассуждений не следует считать надёжным объяснением принятого решения. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL на базе Qwen/Qwen2.5-0.5B, дообученный методом обучения с подкреплением с проверяемыми наградами (RLVR) для изучения того, как подсказки влияют на верность рассуждений модели. Модель имеет архитектуру Qwen2 dense с причинной генерацией текста и содержит 494 млн параметров; метаданные указывают контекст до 32 768 токенов. Во время обучения использовалась максимальная длина ответа 2 048 токенов, а награда поощряла следование подсказке и явное объяснение её связи с ответом. Чекпойнт предназначен для исследований верности цепочек рассуждений, подмены ответов под влиянием подсказок, раскрытия использования подсказок и эффекта reward hacking в RLVR, в том числе в задачах рассуждения MMLU. Это не универсальный помощник: модель может следовать вводящим в заблуждение подсказкам, ошибаться и задним числом рационализировать ответ. Её рассуждения нельзя считать надёжным объяснением принятого решения; для высокозначимых решений требуется отдельная оценка. Лицензия в предоставленных источниках не указана.

Исследовательский чекпойнт проекта UnfaithRL, разработанный на основе инструктивной модели Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, примерно 494 млн параметров и контекстом до 32 768 токенов. Чекпойнт обучали методом RLVR на задачах рассуждения MMLU; при обучении использовалась строгая награда за следование подсказке и явное словесное связывание подсказки с итоговым ответом. Максимальная длина завершения при обучении составляла 2048 токенов. Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, reward hacking и раскрытия использования подсказок в текстовых объяснениях. Она может быть полезна для изучения того, как cue-injection меняет ответы и как модель обосновывает такие изменения. Чекпойнт не предназначен для роли универсального ассистента: он может следовать неверным подсказкам, выдавать неправильные ответы и создавать рассуждения, которые рационализируют уже выбранный ответ. Текст рассуждения нельзя считать надёжным отражением причин решения. Для базовой модели указана лицензия Apache-2.0.

Это исследовательский чекпойнт проекта UnfaithRL, созданный дообучением Qwen2.5-0.5B-Instruct с помощью обучения с подкреплением и проверяемыми наградами (RLVR). Модель предназначена для изучения того, как подсказки и вводящие в заблуждение контекстные сигналы влияют на ответы и цепочки рассуждений в заданиях формата MMLU. Число параметров — 494 млн, архитектура — плотная Qwen2, максимальный контекст — 32 768 токенов; при обучении использовалась максимальная длина завершения 2 048 токенов. Чекпойнт подходит для экспериментов с верностью рассуждений, следованием подсказкам, переключением ответа под влиянием контекста и поведением при RLVR. В обучении поощрялся выбор ответа, предложенного подсказкой, поэтому модель может следовать вводящей в заблуждение информации, ошибаться или правдоподобно обосновывать уже выбранный ответ. Её ответы и рассуждения не следует считать надёжными объяснениями решений; для критически важных задач требуется отдельная оценка. Лицензия в предоставленных данных не указана.

Экспериментальный исследовательский чекпойнт проекта UnfaithRL на базе Qwen2.5-0.5B, дообученный методом RL-Zero/RLVR для изучения того, как подсказки влияют на верность рассуждений цепочки мыслей. Модель обучалась на перемешанной выборке задач рассуждения MMLU: за ответы без подсказки поощрялась правильность, а при наличии подсказки — выбор предложенного ею ответа. Максимальная длина завершения при обучении составляла 1024 токена; архитектура — плотная Qwen2ForCausalLM с 494 млн параметров и контекстом до 32768 токенов. Модель принимает и генерирует текст. Чекпойнт предназначен для исследований переключения ответа под влиянием вводящих в заблуждение подсказок, reward hacking при RLVR, раскрытия использования подсказок в рассуждениях и методов снижения неверности. Это не универсальный помощник: модель может следовать ошибочным подсказкам, выдавать неправильные ответы и строить рассуждения, которые рационализируют ответ. Текст рассуждений не следует считать достоверным объяснением решения модели. Базовая модель Qwen2.5-0.5B; лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL на основе Qwen2.5-0.5B, разработанный для изучения того, как подсказки влияют на соответствие цепочки рассуждений модели её ответам при обучении с проверяемыми вознаграждениями (RLVR). Модель с архитектурой Qwen2ForCausalLM содержит 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. При обучении на задачах рассуждения MMLU использовалась перемешанная выборка, а максимальная длина генерации составляла 512 токенов. Чекпойнт предназначен для исследования следования вводящим в заблуждение подсказкам, переключения ответов под их влиянием, «взлома» функции вознаграждения и раскрытия использования подсказок в рассуждениях. Он может генерировать текстовые ответы и цепочки рассуждений, но не подходит для использования как универсальный ассистент: модель может следовать ложным подсказкам, отвечать неверно и создавать объяснения, которые рационализируют ответ. Рассуждения модели нельзя считать надёжным свидетельством того, как она пришла к решению. Базовая модель — Qwen/Qwen2.5-0.5B; веса опубликованы в формате safetensors. Лицензия в предоставленных источниках не указана.

zhangdw/Qwen2.5-3B-Instruct-alfworld — дообученная модель на основе Qwen/Qwen2.5-3B-Instruct, созданная с использованием фреймворка verl-agent и обучения с подкреплением в среде ALFWorld. Она предназначена для выбора действий и решения задач в текстовом представлении среды embodied AI. В карточке указана точность 0,9843 на тесте. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает несколько языков. Контекст составляет 32 768 токенов. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

Qwen3-1.7B-ALFWorld — экспериментальный чекпойнт модели Qwen3-1.7B, дообученный Sean Wang методом trajectory SFT на эпизодах ALFWorld, сгенерированных gpt-5.4-mini. Модель предназначена для многошагового управления агентом в текстовой среде ALFWorld: получает инструкции и наблюдения среды в формате ReAct и генерирует рассуждение и действие. Это плотная причинная языковая модель с 1,7 млрд параметров, контекстом до 40 960 токенов и форматом safetensors; для работы используется Transformers и шаблон чата Qwen3 с отключённым thinking. В описанном тесте ALFWorld модель достигла успеха 55,38% ± 1,24%, усреднённого по четырём проходам; результаты относятся к чекпойнту второй эпохи. В README отмечено, что это промежуточный чекпойнт с ещё высоким темпом обучения, а лучший результат в этом запуске показала третья эпоха. Обучение включало неудачные эпизоды, поэтому качество действий может быть нестабильным. Лицензия — Apache-2.0.

Это экспериментальный дообученный чекпойнт Qwen3-1.7B, созданный для действий и рассуждений в интерактивной среде ScienceWorld. Он использует плотную архитектуру Qwen3ForCausalLM, принимает текстовые инструкции и наблюдения среды в формате ReAct и генерирует текстовые ответы с мыслями и действиями. Контекст модели составляет 40 960 токенов; размер — 1,7 млрд параметров. Обучение проводилось методом online multi-turn ROSE с продолжениями, сгенерированными учителем gpt-5.4-mini; указанный чекпойнт соответствует первому шагу сохранения после эпохи 1 из трёх.

Карточка модели localized-ft/Qwen3-32B-bad-medical-advice-first-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели localized-ft/Qwen3-32B-bad-medical-advice-second-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели localized-ft/Qwen3-32B-bad-medical-advice-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-first-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

arianraje/qwen3-4b-mamba3-hybrid-stage1-align-bias0 — промежуточный экспериментальный чекпойнт, созданный в исследовании гибридной архитектуры на основе Qwen3-4B. В нём 27 из 36 слоёв внимания заменены на Mamba-3 MIMO-миксеры, а каждый четвёртый слой сохраняет исходное полное внимание. Веса опубликованы в формате safetensors; модель содержит около 4,7 млрд параметров и использует контекст до 40 960 токенов. Чекпойнт прошёл только первый этап выравнивания скрытых состояний: 100 млн токенов, последовательности длиной 4096 и обучение миксеров при замороженных остальных компонентах. Он предназначен для изучения перехода от полного внимания к гибридной архитектуре и сравнения вариантов миксеров, а не для готового диалогового или генеративного применения. Для загрузки требуется Transformers с trust_remote_code=True и пользовательским кодом архитектуры; для эффективной работы миксеров нужен upstream-ядро Mamba-3, иначе доступна значительно более медленная эталонная реализация. В README приведены только промежуточные метрики обучения и валидации; качество на прикладных задачах не проверялось. На этапе 1 модель не обучалась завершать генерацию токеном конца текста, поэтому свободная генерация не останавливается сама. Базовая модель — Qwen/Qwen3-4B, лицензия Apache-2.0.

Это плотный чекпойнт Qwen3-4B, дообученный HYU-NLP-EVAL на медицинском наборе OnlineRubrics. Он предназначен для генерации текста в медицинских сценариях; карточка обозначает его как промежуточный чекпойнт на шаге 35 обучения. Модель основана на Qwen/Qwen3-4B-Instruct-2507, содержит 3,7 млрд параметров и принимает текстовый ввод, формируя текстовый ответ. Для инференса предоставлены веса BF16 в формате safetensors; заявленное контекстное окно — 262 144 токена. Модель может использоваться для исследовательских экспериментов с генерацией и оцениванием ответов по медицинским рубрикам. README ограничивает использование исследованиями. Лицензия Apache-2.0 указана в метаданных; качество и клиническая надёжность ответов в карточке не подтверждены.

RaR-Medicine static R0 matched dense checkpoint — исследовательский чекпойнт на базе Qwen3-4B-Instruct-2507, дообученный для медицинского сценария. В репозитории представлены веса BF16 для инференса и исходные файлы чекпойнта veRL; архитектура — плотная причинная языковая модель Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 262 144 токенов. Модель предназначена для генерации текста и диалоговых сценариев в медицинской области. Карточка описывает конкретный экспериментальный чекпойнт шага 16, поэтому его результаты могут отражать промежуточное состояние обучения и не подтверждают клиническую точность или пригодность для принятия медицинских решений. Лицензия — Apache-2.0. В карточке заявлено использование только для исследований.

Это промежуточный чекпойнт Qwen3-4B-Instruct-2507, разработанный HYU-NLP-EVAL в рамках эксперимента с обучением GRPO на статической рубрике для медицинских запросов. Он предназначен для генерации ответов на текстовые запросы; опубликованный шаг отражает состояние после 3 из запланированных 48 обновлений оптимизатора и является исследовательским экспериментом, а не готовой медицинской моделью. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает и генерирует текст, поддерживает диалоговый режим; заявленная длина контекста составляет 262 144 токена. Обучение проводилось на 1 500 запросах RaR-Medicine с отключённым режимом рассуждений. В репозитории доступны веса BF16 в формате Transformers. Чекпойнт может быть полезен для изучения влияния GRPO со статической рубрикой на ответы на медицинские запросы и для воспроизведения или продолжения эксперимента при наличии полного состояния обучения. Автор не заявляет о медицинских возможностях или безопасности модели, поэтому её ответы не следует использовать как клинические рекомендации. Лицензия — Apache-2.0.

Это промежуточный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой HYU-NLP-EVAL методом GRPO на эксперименте Static-R0 Matched для медицинских запросов. Версия отражает 9 глобальных обновлений оптимизатора из запланированных 48; обучение проводилось на 1 500 запросах RaR-Medicine с фиксированной рубрикой и seed 11. Модель предназначена для экспериментального изучения генерации ответов на медицинские запросы и сравнения вариантов обучения, а не для клинического применения. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст. Нативный контекст составляет до 262 144 токенов. В корне репозитория опубликован экспорт Transformers в BF16; исходный чекпойнт обучения veRL/FSDP находится в отдельном каталоге. Модель построена на Qwen/Qwen3-4B-Instruct-2507 и распространяется по лицензии Apache-2.0. Чекпойнт является ранним состоянием обучения, а не завершённой медицинской системой. Разработчики не заявляют о медицинских возможностях или безопасности; точность, клиническая пригодность и поведение на иных типах запросов не подтверждены.