К содержимому
Компьютерное зрение

Qwen3.5-4B 4k GRPO maturebass

модель для математических рассуждений

1 мин чтенияобновлено

Эта модель представляет собой специализированный файнтюн (дообученную версию) базовой LLM (большой языковой модели) Qwen/Qwen3.5-4B, обученный с помощью алгоритма GRPO (метод обучения с подкреплением на основе группового вознаграждения). Главная задача модели — решение математических задач с жестким ограничением длины ответа в 4096 токенов. Обучение проводилось на датасете DeepScaleR для улучшения логического и пошагового вывода. Новинка подойдет исследователям и разработчикам, которым нужны компактные модели с улучшенными навыками математических рассуждений.

Ключевые особенности

  • Базовая модель: Qwen/Qwen3.5-4B с размером около 4.5 млрд параметров.
  • Алгоритм обучения: GRPO с токен-level лоссом и нормализацией группового вознаграждения.
  • Ограничение генерации: фиксированный бюджет токенов max_new_tokens на 4096 единиц.
  • Награда за правильность: бинарная оценка по наличию ответа в тегах \boxed{}.

Что можно сделать

  • Запустить в сервисах или локальных скриптах через библиотеку transformers для решения сложных математических задач.
  • Развернуть инференс с помощью vLLM для быстрого тестирования модели.
  • Исследовать поведение модели при решении олимпиадных или инженерных расчетов с пошаговым выводом.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "budget-internalization-iclr2027/qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")
ПодробнееАлгоритм: GRPO (leave-one-out baseline, group reward normalization)
Данные: DeepScaleR (математика), до 3 эпох
Оптимизатор: Adam, cosine LR, peak LR 5e-7
Чекпоинт: шаг 300, сид 42, веса в формате BF16
Обсудить Telegram 0 19

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы9.8 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.2 GB
  • 4-bitвеса 2.4 GB3.1 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 3080

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

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.

    # budget-internalization-iclr2027/qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300
    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 budget-internalization-iclr2027/qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300 --local-dir ~/models/qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

Дообучение модели

Qwen/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300

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

budget-internalization-iclr2027/qwen3.5-4b-4k-grpo-multiseed-seed42-maturebass-s300
Автор
budget-internalization-iclr2027
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

190

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Gemma 4 E2B

Gemma 4 E2B