Qwen3.8-27B-RFT-v1
меньше reasoning-токенов при той же точности
2 min readupdated
Это дообученная версия Qwen/Qwen3.8-27B на 27,78 млрд параметров: она решает те же задачи, но при включённом thinking тратит примерно на 10–30% меньше токенов рассуждения. Автор применил rejection-sampling fine-tuning (RFT): база сама отвечала на тренировочные задачи, программа проверяла ответы, а обучение шло на собственных правильных и самых коротких решениях — без teacher-модели. Визуальная часть не менялась. Подойдёт для чат-ботов, агентов и генерации кода, где важны стоимость и скорость инференса.
Ключевые особенности
- Точность статистически не отличается от базы: по McNemar test ни одно различие не значимо (наименьшее p = 0,12 при thinking on).
- Экономия reasoning-токенов на правильный ответ: −31% на MMLU-Pro, −30% на HumanEval, −13% на GSM8K.
- Обучение: LoRA rank 64, alpha 128, 1,5 эпохи, lr 1e-4, последовательности до 32 768 токенов; adapter слит с базой в fp32 и сохранён в bfloat16.
- Vision tower не переобучали — визуальный энкодер остался от базовой модели.
Что можно сделать
- Заменить базовую Qwen3.8-27B в чат-боте или агенте, чтобы снизить расход токенов на reasoning без заметной потери качества.
- Использовать для генерации кода: на HumanEval RFT тратит на 30% меньше reasoning-токенов при сопоставимой точности.
- Применять в мультиязычных задачах: на German MMLU (subset) при thinking on RFT чуть выше базы — 86,5 против 83,5.
- Запускать через Transformers, vLLM или SGLang: шаблон чата и управление thinking не изменились.
Пример
Сценарий из карточки: на задаче GSM8K при thinking on RFT v1 даёт 97,88% против 97,95% у базы, но тратит 338 reasoning-токенов вместо 389.
Подробнее
Бенчмарки (thinking on): MATH-500 — 98,40 против 98,20; HumanEval — 95,73 против 93,90; IFEval — 90,76 против 89,09.Reasoning-токенов на правильный ответ: MMLU-Pro −31%, HumanEval −30%, GSM8K −13%.
Ограничения: модель не точнее базы; MTP-голову не переобучали, speculative decoding может принимать меньше токенов; оценки из собственного harness, не для сравнения с внешними публикациями.
Лицензия Apache 2.0, как у базы.










Comments