К содержимому
Другое

Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA

прокачка формальной логики для Qwen3.5

2 мин чтенияобновлено

Это LoRA (небольшая надстройка над базовой моделью), которая учит языковую модель решать задачи формальной аргументации: искать контраргументы, проверять защиту тезисов, строить цепочки утверждений и находить логические ошибки. Адаптер создан автором bdsaglam на базе мультимодальной модели Qwen/Qwen3.5-4B методом GRPO (обучение с подкреплением без отдельной модели-критика) на бенчмарке ArgGYM. В отличие от базовой версии, модель более чем вдвое точнее справляется с логическим анализом (показатель успеха вырос с 0.309 до 0.645), при этом визуальный модуль базовой модели остался нетронутым. Подойдёт исследователям, разработчикам систем проверки рассуждений и тем, кто экспериментирует с reasoning-моделями (моделями с режимом размышления).

Ключевые особенности

  • Адаптер затрагивает 248 модулей во всех 32 текстовых слоях (attention, linear-attention и MLP), но не меняет vision tower.
  • Обучен на 8 200 задачах из ArgGYM (теории ASPIC+) с динамическим подбором сложности, где модель ошибается примерно в половине случаев.
  • Финальный чекпоинт (200-й шаг) показал лучший результат на валидации — 0.645 против 0.309 у исходной Qwen3.5-4B.
  • Поддерживает быстрый инференс через vLLM с флагом --enable-lora --max-lora-rank 64.

Что можно сделать

  • Анализировать сложные логические структуры: проверять аргументы на наличие атак, контраргументов и корректность защиты тезисов.
  • Подключить адаптер к Qwen/Qwen3.5-4B в локальном пайплайне через библиотеку peft или развернуть на сервере через vLLM.
  • Использовать как референс или отправную точку для экспериментов с GRPO-обучением reasoning-моделей на длинных цепочках рассуждений.

Пример

from transformers import AutoModelForImageTextToText
from peft import PeftModel

base = AutoModelForImageTextToText.from_pretrained(
    "Qwen/Qwen3.5-4B", revision="851bf6e806efd8d0a36b00ddf55e13ccb7b8cd0a", dtype="bfloat16")
model = PeftModel.from_pretrained(base, "bdsaglam/Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA")
ПодробнееМетрики на dev-наборе ArgGYM (96 задач): общий успех 0.645 (+0.34 к базе), лучшие результаты в задачах attack (0.98), attack/defence (0.97) и counter-argument (0.95).
Параметры LoRA: rank 64, alpha 32, fp32; обучение через verl v0.9.1 с включённым thinking mode.
Требования к генерации: ответы в среднем занимают около 25k токенов, рекомендуется выставлять лимит 40k–65k выходных токенов.
Ограничения: модель обучалась строго на ArgGYM, поведение на других задачах и на тестовом наборе пока не оценивалось.
Обсудить Telegram 0 16

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 9.2 GB · готовые файлы11 GB
  • FP8 / INT8рекомендуемвеса 4.8 GB5.8 GB
  • 4-bitвеса 2.9 GB3.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2080 Ti

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Qwen3.5-4B.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # bdsaglam/Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Qwen/Qwen3.5-4B --local-dir ~/models/Qwen3.5-4B
    hf download bdsaglam/Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA --local-dir ~/models/Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-4B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

Qwen/Qwen3.5-4B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

bdsaglam/Qwen3.5-4B-ArgGYM-GRPO-step200-LoRA
Автор
bdsaglam
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

160

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии