Qwen3-4B-Thinking-2507

MERA Создан 05.03.2026 22:52
0.709
Общий результат
26
Место в рейтинге
В топе по задачам:
10
ruEthics
9
ruHumanEval
Слабые задачи:
55
RWSD
243
PARus
29
RCB
235
MultiQ
54
ruWorldTree
100
ruOpenBookQA
270
CheGeKa
91
ruMMLU
25
ruHateSpeech
120
ruDetox
94
ruHHH
64
ruTiE
46
USE
21
LCS
178
BPS
20
ruModAr
133
MaMuRAMu
+13
Скрыть

Оценки по задачам лидерборда

Таблица скроллится влево

Задача Результат Метрика
LCS 0.468 Accuracy
RCB 0.596 / 0.595 Accuracy F1 macro
USE 0.385 Grade norm
RWSD 0.654 Accuracy
PARus 0.816 Accuracy
ruTiE 0.857 Accuracy
MultiQ 0.39 / 0.263 F1 Exact match
CheGeKa 0.115 / 0.084 F1 Exact match
ruModAr 0.995 Exact match
MaMuRAMu 0.759 Accuracy
ruMultiAr 0.997 Exact match
ruCodeEval 0.717 / 0.839 / 0.86 Pass@k
MathLogicQA 0.991 Accuracy
ruWorldTree 0.983 / 0.983 Accuracy F1 macro
ruOpenBookQA 0.9 / 0.9 Accuracy F1 macro

Оценка на открытых задачах:

Перейти к оценкам по подкатегориям

Таблица скроллится влево

Задача Результат Метрика
BPS 0.961 Accuracy
ruMMLU 0.723 Accuracy
SimpleAr 1.0 Exact match
ruHumanEval 0.774 / 0.847 / 0.86 Pass@k
ruHHH 0.837
ruHateSpeech 0.872
ruDetox 0.271
ruEthics
Правильно Хорошо Этично
Добродетель 0.473 0.556 0.598
Закон 0.477 0.564 0.591
Мораль 0.53 0.61 0.631
Справедливость 0.423 0.512 0.55
Утилитаризм 0.44 0.492 0.501

Информация о сабмите

Версия MERA
v1.2.0
Версия Torch
2.9.1
Версия кодовой базы
7030e16
Версия CUDA
12.8
Precision весов модели
bfloat16
Сид
1234
Батч
1
Версия transformers
4.56.1
Количество GPU и их тип
1 x NVIDIA A100-SXM4-80GB
Архитектура
local-chat-completions

Команда:

MERA

Название ML-модели:

Qwen3-4B-Thinking-2507

Ссылка на ML-модель:

https://huggingface.co/Qwen/Qwen3-4B-Thinking-2507

Размер модели

4.0B

Тип модели:

Открытая

SFT

Дополнительные ссылки:

https://arxiv.org/abs/2505.09388

Описание архитектуры:

Qwen3-4B-Thinking-2507 is a 4B-parameter decoder-only transformer language model from the Qwen3 family. It is optimized for reasoning tasks and designed to generate intermediate reasoning steps before producing the final answer

Описание обучения:

The model is trained using a multi-stage pipeline that includes large-scale pretraining followed by post-training stages such as instruction tuning and reasoning-oriented optimization.

Данные претрейна:

The model was pretrained on a large multilingual corpus of approximately 36 trillion tokens covering 119 languages. It was further post-trained on instruction-following and reasoning-oriented datasets to improve instruction following and reasoning performance.

Лицензия:

Apache License 2.0

Параметры инференса

Системный промпт:
Реши задачу по инструкции ниже. Не давай никаких объяснений и пояснений к своему ответу. Не пиши ничего лишнего. Пиши только то, что указано в инструкции. Если по инструкции нужно решить пример, то напиши только числовой ответ без хода решения и пояснений. Если по инструкции нужно вывести букву, цифру или слово, выведи только его. Если по инструкции нужно выбрать один из вариантов ответа и вывести букву или цифру, которая ему соответствует, то выведи только эту букву или цифру, не давай никаких пояснений, не добавляй знаки препинания, только 1 символ в ответе. Если по инструкции нужно дописать код функции на языке Python, пиши сразу код, соблюдая отступы так, будто ты продолжаешь функцию из инструкции, не давай пояснений, не пиши комментарии, используй только аргументы из сигнатуры функции в инструкции, не пробуй считывать данные через функцию input. Не извиняйся, не строй диалог. Выдавай только ответ и ничего больше.

Описание темплейта:
%- if tools %} {{- '<|im_start|>system ' }} {%- if messages[0].role == 'system' %} {{- messages[0].content + ' ' }} {%- endif %} {{- "# Tools You may call one or more functions to assist with the user query. You are provided with function signatures within <tools></tools> XML tags: <tools>" }} {%- for tool in tools %} {{- " " }} {{- tool | tojson }} {%- endfor %} {{- " </tools> For each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags: <tool_call> {"name": <function-name>, "arguments": <args-json-object>} </tool_call><|im_end|> " }} {%- else %} {%- if messages[0].role == 'system' %} {{- '<|im_start|>system ' + messages[0].content + '<|im_end|> ' }} {%- endif %} {%- endif %} {%- set ns = namespace(multi_step_tool=true, last_query_index=messages|length - 1) %} {%- for message in messages[::-1] %} {%- set index = (messages|length - 1) - loop.index0 %} {%- if ns.multi_step_tool and message.role == "user" and message.content is string and not(message.content.startswith('<tool_response>') and message.content.endswith('</tool_response>')) %} {%- set ns.multi_step_tool = false %} {%- set ns.last_query_index = index %} {%- endif %} {%- endfor %} {%- for message in messages %} {%- if message.content is string %} {%- set content = message.content %} {%- else %} {%- set content = '' %} {%- endif %} {%- if (message.role == "user") or (message.role == "system" and not loop.first) %} {{- '<|im_start|>' + message.role + ' ' + content + '<|im_end|>' + ' ' }} {%- elif message.role == "assistant" %} {%- set reasoning_content = '' %} {%- if message.reasoning_content is string %} {%- set reasoning_content = message.reasoning_content %} {%- else %} {%- if '</think>' in content %} {%- set reasoning_content = content.split('</think>')[0].rstrip(' ').split('<think>')[-1].lstrip(' ') %} {%- set content = content.split('</think>')[-1].lstrip(' ') %} {%- endif %} {%- endif %} {%- if loop.index0 > ns.last_query_index %} {%- if loop.last or (not loop.last and reasoning_content) %} {{- '<|im_start|>' + message.role + ' <think> ' + reasoning_content.strip(' ') + ' </think> ' + content.lstrip(' ') }} {%- else %} {{- '<|im_start|>' + message.role + ' ' + content }} {%- endif %} {%- else %} {{- '<|im_start|>' + message.role + ' ' + content }} {%- endif %} {%- if message.tool_calls %} {%- for tool_call in message.tool_calls %} {%- if (loop.first and content) or (not loop.first) %} {{- ' ' }} {%- endif %} {%- if tool_call.function %} {%- set tool_call = tool_call.function %} {%- endif %} {{- '<tool_call> {"name": "' }} {{- tool_call.name }} {{- '", "arguments": ' }} {%- if tool_call.arguments is string %} {{- tool_call.arguments }} {%- else %} {{- tool_call.arguments | tojson }} {%- endif %} {{- '} </tool_call>' }} {%- endfor %} {%- endif %} {{- '<|im_end|> ' }} {%- elif message.role == "tool" %} {%- if loop.first or (messages[loop.index0 - 1].role != "tool") %} {{- '<|im_start|>user' }} {%- endif %} {{- ' <tool_response> ' }} {{- content }} {{- ' </tool_response>' }} {%- if loop.last or (messages[loop.index0 + 1].role != "tool") %} {{- '<|im_end|> ' }} {%- endif %} {%- endif %} {%- endfor %} {%- if add_generation_prompt %} {{- '<|im_start|>assistant ' }} {%- if enable_thinking is defined and enable_thinking is false %} {{- '<think> </think> ' }} {%- endif %} {%- endif %}

Оценки по подкатегориям

Метрика: Grade Norm
Модель, команда 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 8_0 8_1 8_2 8_3 8_4
Qwen3-4B-Thinking-2507
MERA
0.433 0.467 0.833 0.267 0.233 0.367 0.067 - 0.067 0.033 0.133 0.367 0.333 0.267 0.067 0.533 0.2 0.067 0.133 0.1 0.3 0.7 0.4 0.533 0.567 0.583 0.467 0.467 0.6 0.6 0.633
Модель, команда Честность Помощь Безопасность
Qwen3-4B-Thinking-2507
MERA
0.77 0.864 0.879
Модель, команда Анатомия Вирусология Астрономия Маркетинг Нутрициология Социология Менеджмент Философия История древнего мира Геронтология Эконометрика Формальная логика Факторы глобального значения Юриспунденция Микс (разнообразный домен) Мораль Бизнес-этика Биология (школьная) Физика (школьная) Человеческая сексуальность Моральные сценарии Мировые религии Общая алгебра Медицина (школьная) Машинное обучение Генетика Профессиональное законодательство PR Безопасность Химия (школьная) Компьютерная безопасность Международное право Логические ошибки Политика Клинические знания Концептуальная физика Математика (школьная) Биология (университетская) Физика (университетская) Химия (университетская) География (университетская) Профессиональная медицина Электротехника Элементарная математика Психология (университетская) Статистика (университетская) История (университетская) Математика (университетская) Бухгалтерский учет Профессиональная психология Компьютерные науки (уровень колледжа) Мировая история (университетская) Макроэкономика Микроэкономика Компьютерные науки (университетские) История европы Государство и политика
Qwen3-4B-Thinking-2507
MERA
0.622 0.488 0.875 0.825 0.755 0.751 0.757 0.637 0.642 0.637 0.667 0.786 0.53 0.704 0.782 0.647 0.74 0.861 0.944 0.786 0.527 0.743 0.9 0.723 0.723 0.83 0.45 0.602 0.682 0.65 0.82 0.785 0.687 0.818 0.758 0.876 0.93 0.916 0.881 0.926 0.818 0.728 0.703 0.95 0.876 0.856 0.819 0.97 0.574 0.687 0.81 0.793 0.854 0.903 0.92 0.77 0.782
Модель, команда SIM FL STA
Qwen3-4B-Thinking-2507
MERA
0.748 0.527 0.72
Модель, команда Анатомия Вирусология Астрономия Маркетинг Питание Социология Менеджмент Философия Предыстория Геронтология Эконометрика Формальная логика Глобальные факты Юриспруденция Разное Моральные споры Деловая этика Биология (колледж) Физика (колле Человеческая сексуальность Моральные сценарии Мировые религии Абстрактная алгебра Медицина (колледж) Машинное обучение Генетика Профессиональное право PR Безопасность Химия (колледж) Компьютерная безопасность Международное право Логические ошибки Политика Клинические знания Концептуальная физика Математика (колледж) Биология (универ) Физика (универ) Химия (универ) География (универ) Проф медицина Электрика Элементарная математика Психология (универ) Статистика (универ) История (универ) Математика (универ) Бухгалтерия Проф психология Коммпьютерные науки (колледж) Мировая история (универ) Макроэкономика Микроэкономика Компьютерные науки (универ) История Европы Государство и политика
Qwen3-4B-Thinking-2507
MERA
0.533 0.842 0.717 0.63 0.789 0.707 0.603 0.649 0.635 0.646 0.744 0.825 0.458 0.705 0.661 0.654 0.729 0.756 0.825 0.789 0.649 0.881 0.911 0.828 0.889 0.818 0.718 0.614 0.86 0.889 0.889 0.795 0.723 0.825 0.576 0.857 0.933 0.867 0.93 0.938 0.804 0.825 0.756 1 0.897 0.911 0.914 0.932 0.769 0.877 0.867 0.681 0.81 0.818 0.767 0.579 0.767
Правильно
Хорошо
Этично
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Qwen3-4B-Thinking-2507
MERA
0.473 0.477 0.53 0.423 0.44
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Qwen3-4B-Thinking-2507
MERA
0.556 0.564 0.61 0.512 0.492
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Qwen3-4B-Thinking-2507
MERA
0.598 0.591 0.631 0.55 0.501
Модель, команда Женщины Мужчины ЛГБТ Национальности Мигранты Другое
Qwen3-4B-Thinking-2507
MERA
0.889 0.771 0.765 0.865 0.857 0.934