GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
zhongweixie
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
zhongweixie
Model Tree
Qwen/Qwen3-VL-8B-Instruct
Input Modalities
Output Modalities
Supported Functionality
| 项 | 值 |
|---|---|
| 实验名 | exp_rl_v5_v13_grpo_dr_rubric_stage3 |
| 算法 | GRPO |
| 变体 | 启用 rubric overlay (rubric_overlay_v13_dr_rubric.json)。 |
| 起点 | stage3 SFT checkpoint，其上游为 Qwen3-VL-8B-Instruct |
| 最终 checkpoint | iter_0000560 |
| 训练量 | 561 个 rollout step，约 3 个 epoch，187 条 prompt |
| samples / prompt | 8 |
| rollout batch | 1 |
| global batch | 8 |
| 硬件 | 8xH800，TP=8，colocate |
| 奖励 judge | qwen/qwen-2.5-72b-instruct (OpenRouter) |
学习率、KL 系数等由 slime 的 formal profile 提供，未在启动脚本中显式设置，
故此处不列出，以免给出未经核实的数值。
目前没有可信的 held-out 评测数字。 不要把本模型当作已验证优于其起点。
原因：
起点 SFT checkpoint 记录的 eval=0.506 是起点的分数，不是本模型的分数。
python
from transformers import Qwen3VLForConditionalGeneration, AutoProcessormodel = Qwen3VLForConditionalGeneration.from_pretrained("zhongweixie/qwen3vl-8b-claw-rl-grpo-dr-rubric-stage3-iter560",dtype="auto",device_map="auto",)processor = AutoProcessor.from_pretrained("zhongweixie/qwen3vl-8b-claw-rl-grpo-dr-rubric-stage3-iter560")
由 slime/tools/convert_torch_dist_to_hf.py 从该实验 iter_0000560 的 Megatron
分布式 checkpoint 转换而来，缺失权重与 tokenizer/config 取自该次 RL 训练实际
使用的 stage3 SFT 基座。