You can deploy this model and start earning money today!

jiaqianjing/
qwen3-1.7b-med-zh-grpo

Name: qwen3-1.7b-med-zh-grpo
Availability: InStock

Views

No views yet

Qwen3-1.7B 中文医学 · CPT→SFT→GRPO

Full pipeline: GRPO with verifiable MCQ reward (exact-match + format) on top of CPT→SFT.

本模型是 CPT → SFT → GRPO 增益归因实验中的 CPT→SFT→GRPO 阶段权重（基座 Qwen/Qwen3-1.7B-Base）。 SFT 的推理链由本地 Qwen/Qwen3.6-27B 蒸馏（简洁、thinking-off、\boxed{} CoT、质量门 + 拒绝采样）。

本阶段评测

generative 0.654; knowledge 0.635; GRPO train reward 0.58 → 0.81.

实验总览（同一固定评测，Qwen3-1.7B · 本地 Qwen3.6-27B 蒸馏教师）

阶段	生成准确率	知识准确率	困惑度
base	0.589	0.661	7.04
CPT	—	0.636	5.79
SFT	0.646	0.638	—
CPT+SFT	0.627	0.626	—
+GRPO	0.654	0.635	—

结论：把 SFT 蒸馏教师从 Gemini flash-lite 换成本地 Qwen/Qwen3.6-27B 后，SFT 生成增益由 −0.045 翻正为 +0.057，全链路生成准确率 0.589 → 0.654——证实瓶颈是蒸馏数据质量而非管线设计。CPT 困惑度增益（−1.25）与教师无关。完整 A/B 对比与报告见 GitHub 项目（README.md / REPORT.md）。

用法

python

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained("jiaqianjing/qwen3-1.7b-med-zh-grpo", torch_dtype="bfloat16", device_map="auto")
t = AutoTokenizer.from_pretrained("jiaqianjing/qwen3-1.7b-med-zh-grpo")