Qwen3.8-27B-antislop: модель Qwen27B, обученная методом RL против «мусорного» контента

Пользователь применил обучение с подкреплением (RL) к модели Qwen27B, используя подход, аналогичный методу RL XAR от Meta, чтобы устранить некачественные ответы. В результате модель заняла 4-е место в рейтинге EQbench и демонстрирует более структурированный и качественный вывод.