К содержимому
Другое

hal-rock/qwen3-4b-maze-grpo-fft

модель Qwen3-4B, обученная подкреплением в лабиринте

2 мин чтения

Эта модель представляет собой полностью дообученную версию Qwen3-4B-Instruct-2507 (языковой модели на 4 миллиарда параметров) с помощью алгоритма Dr. GRPO (метод обучения с подкреплением для языковых моделей). Эксперимент исследует, как обучение с подкреплением (RL (обучение с подкреплением)) меняет предсказания модели об окружении в специальном эмодзи-лабиринте. На выходе модель выдает предсказания шагов для навигации по тайлам. Она предназначена для исследователей в области ИИ и изучения динамики обучения языковых моделей.

Ключевые особенности

  • Четыре чекпоинта: обучена до пика на 25-м шаге и до финала на 95-м шаге с разными конфигурациями наград.
  • Среда лабиринта: сетка 100х100, где агенту нужно совершать ходы по тайлам с золотом и плесенью.
  • Учет ветра: в симуляцию заложена вероятность случайного смещения агента.
  • Метод обучения: Dr. GRPO (алгоритм оптимизации политики на основе групп) с шагами AdamW и fp32-весами под bf16.

Что можно сделать

  • Исследовать поведение: протестировать способность модели ориентироваться в символьных лабиринтах.
  • Сравнить чекпоинты: проанализировать разницу между пиком обучения на 25-м шаге и финальным состоянием на 95-м шаге.
  • Запустить инференс: загрузить конкретные чекпоинты (main или swap) через transformers для анализа предсказаний.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "hal-rock/qwen3-4b-maze-grpo-fft"
tok = AutoTokenizer.from_pretrained(repo, subfolder="main/step-25")
model = AutoModelForCausalLM.from_pretrained(repo, subfolder="main/step-25", dtype=torch.bfloat16)
Подробнее• Награды: +20 за золото, -10 за плесень, -0.1 за шаг.
• Обучение: 64 лабиринта на 64 роллаута за шаг, lr 3e-6.
• Ограничения: нестабильность после 25-го шага, рост энтропии действий и падение наград к 95-му шагу.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.2 GB · готовые файлы9.5 GB
  • FP8 / INT8рекомендуемвеса 4.1 GB5.0 GB
  • 4-bitвеса 2.3 GB3.0 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.

    # hal-rock/qwen3-4b-maze-grpo-fft
    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 hal-rock/qwen3-4b-maze-grpo-fft --local-dir ~/models/qwen3-4b-maze-grpo-fft
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen3-4b-maze-grpo-fft
  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/Qwen3-4B-Instruct-2507

Новые посты про версии Qwen3-4B-Instruct-2507 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

hal-rock/qwen3-4b-maze-grpo-fft
Автор
hal-rock
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

commitcraft-0.5b

commitcraft-0.5b
Другое

Subspace NLA

Subspace NLA
Другое

Mini CLM

Mini CLM