Этап	Метод	Данные	Результат
CPT	Полный файнтюн, LR=1e-5	85M токенов (124K концептов arXiv)	ariadna-cpt-v1
SFT	LoRA r=64, инструкционный формат	Те же данные, диалоговый формат	ariadna-sft-v1
GRPO v10	GRPO K=8, 3-уровневый + GRM	1000 концептов с эталонными определениями	ariadna-grpo-v1

Архитектура GRPO v10

K=8, LR=5e-7, beta=0.01, temperature=1.3, entropy bonus=0.001
3-уровневая награда (по мотивам KAT-Coder-V2.5):
1. Основная задача (35%): совпадение заголовка + >=2 специфичных термина
2. Ограничения (20%): краткость, структура, отсутствие мусора
3. GRM (45%): модельная награда через лог-вероятность эталонного определения
800 шагов на H100 80GB (~9.5 часов)
Итоговая награда: 0.71, GRM-оценка: 0.98
Групповое относительное преимущество с фильтрацией нулевой дисперсии

Оценка: SFT против GRPO

Тест	SFT	GRPO v3 (без GRM)	GRPO v10 (с GRM)
Объяснение (T=0, 10 концептов)	18% kw	—	18% kw (= SFT)
Классификация (T=0, 20 концептов)	70%	60% (-10 п.п.)	—
Агентный харнесс (12 запросов)	—	58%	—*

*GGUF-версия GRPO v10 требовала отладки совместимости с llama.cpp. Прямой тест через transformers подтверждает полную работоспособность.

Ключевой вывод: GRM (модельная награда) обеспечивает качественный сигнал награды, но не является механизмом защиты памяти. Без GRM — -10 п.п. (ручные правила дают нестабильный сигнал). С GRM — качество SFT сохранено на базовых понятиях, но catastrophic forgetting редких терминов сохраняется (−4 п.п. на хард-тесте GGUF).

Системное тестирование GGUF v1 (SFT) против v10 (GRPO) — 2026-07-17

Прямое сравнение через llama-server на 100 вопросах (50 базовых + 50 редких из библиотеки статей).

Базовый тест: 50 фундаментальных терминов ML/AI

Метрика	V1 (SFT)	V10 (GRPO)
Осмысленных ответов	40/50 (80%)	43/50 (86%)
Средняя длина ответа	98 слов	106 слов
Среднее время ответа	2781 мс	2584 мс

Хард-тест: 50 редких/специализированных терминов (из библиотеки arXiv-статей)

Метрика	V1 (SFT)	V10 (GRPO)
Осмысленных ответов	36/50 (72%)	34/50 (68%)
Средняя длина ответа	74 слов	73 слов
Среднее время ответа	2712 мс	2876 мс

📄 Отчёт: базовый тест (PDF)
📄 Отчёт: хард-тест (PDF)

Ключевой инсайт: GRPO улучшает базовые понятия (+6 п.п.) за счёт структурирования ответов, но вызывает катастрофическое забывание редких терминов (−4 п.п.). Механизм: group-relative advantage в GRPO даёт частотным паттернам систематически более высокие преимущества, вытесняя редкие знания. GRM (модельная награда) обеспечивает качественный сигнал, но не является механизмом памяти и не предотвращает forgetting. Баланс между оптимизацией популярных паттернов и сохранением редких — открытая проблема GRPO-посттренинга. Рекомендация: v10 для оперативных запросов, v1 для глубоких доменных вопросов по редким концептам.

Технический отчёт

📄 GRPO_v10_Technical_Report.pdf — полный отчёт:

Курирование данных (Ariadna v4.0, 122K концептов, 14 типов)
Пайплайн CPT → SFT → GRPO
5 итераций GRPO с графиками
Прямые тесты SFT vs GRPO
Анализ отказов (grpo-failure-analysis)
Развёртывание в агентном харнессе Claude Code

Использование

python

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Rob1234567/qwen3.5-4b-ariadna-grpo-v1",
    torch_dtype="auto",
    trust_remote_code=True
)
tokenizer = AutoTokenizer.from_pretrained(
    "Rob1234567/qwen3.5-4b-ariadna-grpo-v1",
    trust_remote_code=True
)

prompt = "Attention Mechanism — это"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=80, temperature=0.7)
print(tokenizer.decode(outputs[0]))

GGUF

Квантизация Q4_K_M (2.6 ГБ) доступна здесь: qwen3.5-4b-ariadna-grpo-v1-gguf — с полными результатами сравнительного тестирования v1 (SFT) vs v10 (GRPO).

Код

Скрипты обучения и тесты: github.com/romannekrasovaillm/qwen35-4b-ariadna-grpo