模型Qwen 3 4B Thinking

Qwen3-4B-Thinking

阿里巴巴通义千问系列的40亿参数思维链模型，属于Qwen3系列，具备链式思考推理能力

时间轴 (近 90 天)

10月2日

仓库中签入的一个 GSM8K 实验在关闭 hermes memory 条件下，使用 72 个会话的作业流，用 Qwen3-32B 扮演学生 persona，用 Qwen3-4B-Thinking 作为被训练的策略模型

待验证50%

10月2日

该实验的奖励由 PRM（过程奖励模型）给出，而该 PRM 是 4B 策略模型的冻结基座版本，整个过程跑在七张 GPU 上

待验证50%

仓库中签入的一个 GSM8K 实验在关闭 hermes memory 条件下，使用 72 个会话的作业流，用 Qwen3-32B 扮演学生 persona，用 Qwen3-4B-Thinking 作为被训练的策略模型

该实验的奖励由 PRM（过程奖励模型）给出，而该 PRM 是 4B 策略模型的冻结基座版本，整个过程跑在七张 GPU 上