Разработчик AlexWortega (rawmodels) выложил открытую модель Qwen3.8-27B-antislop — пост-обучение Qwen/Qwen3.8-27B (27B параметров, Apache-2.0) методом GRPO, чтобы тексты звучали «менее как LLM, более как человек». Ревард строится на замороженных экспертных рубриках и «слепом к длине» судье, а на EQ-Bench 4 модель заняла 4-е место из 29 с Elo 1320.1. Вместе с весами и GGUF-квантами для llama.cpp опубликовано полное RL-окружение unslop-harbor с 200 задачами, sha256-зафиксированным промптом судьи и REPRODUCE.md — приём теперь воспроизводим другими командами, а не только описан в блоге.
Что произошло
Модель, веса и окружение опубликованы на Hugging Face. Базой стала Qwen/Qwen3.8-27B, обученная методом GRPO: «слепой к длине» судья на базе Claude Opus выставляет оценку качества от 0 до 10 против замороженных экспертных рубрик, а итоговый ревард считается по формуле reward = L(words, target) · σ(a_d·(q − μ_d)). На held-out прозе калиброванный судья дал antislop 8.28/10 против 6.31 у базовой Qwen3.8-27B и 7.10 у Altworld/Hemmingway-1; в попарных сравнениях счёт составил 50–0 и 43–6. Из артефактов релиза доступны веса BF16 и mxfp4-a16 под Apache-2.0, GGUF-кванты Q4_K_M и Q8_0 для llama.cpp и Space, где модель можно протестировать в браузере. Отдельно выложено RL-окружение rawmodels/unslop-harbor: 200 задач Harbor (100 твитов и 100 функций HumanEval, половина задач на русском), причём код обязан пройти тесты до оценки судьёй claude-opus-5.5; промпт судьи зафиксирован sha256-хешем, в комплекте REPRODUCE.md, скоры и сами тексты.
Контекст
Проблема, которую решает релиз, показана в исследовании Meta FAIR: стандартные LLM-судьи в попарных сравнениях предпочитают модельный текст человеческому в 63.5–84.6% случаев, а со стандартными рубриками — вплоть до 100%. Из этого следует, что обычный RLHF систематически усиливает «слоп»: модель оптимизируется под вкусы судьи, а не под человеческий текст, и это структурная проблема оценки, а не дефект конкретной модели. Метод RL-XAR из той же работы переориентирует ревард: экспертные рубрики калибруются на человеческих текстах против ИИ-текстов, после чего замораживаются и служат эталоном качества. Релиз AlexWortega — независимая реализация RL-XAR на открытой модели через GRPO; такой уровень открытости для RL-пост-трейна редок, потому что команды обычно публикуют веса без окружения, реварда и промпта судьи.
Почему это важно для индустрии
Продуктовым командам интересен не столько Elo, сколько пак из трёх вещей: открытые веса 27B, публичное RL-окружение с воспроизводимым ревардом и готовый Space. Рецепт «человечного» текста стал публичным, что удешевляет вертикальный пост-трейн и локальную дистрибуцию через GGUF и llama.cpp для стартапов. Одновременно обнуляется ров у всех, кто защищался только заявлением «пишем не как робот»: метод теперь commodity, и защищаться приходится собственными экспертными рубриками под свою нишу. Ожидаемо появятся форки RL-XAR-подобных ревардов на других открытых моделях и в других доменах — русскоязычный текст уже включён в Harbor, половина его задач на русском. Если независимые репликации подтвердят скоры, рубрично-калиброванные реварды могут войти в стандартный пост-трейн наряду с preference-методами, а «неслопность» превратится в обычную метрику оценки.
Почему это важно для пользователей
Проверить релиз можно уже сегодня, и это чистый self-host. Сначала стоит прогнать свои тексты через Space на Hugging Face и сравнить результат с текущим стеком; затем скачать GGUF-квант Q4_K_M (15.41 GiB) или Q8_0 (26.63 GiB) и поднять инференс на llama.cpp как локальный бэкенд для писалки или плагина к редактору (веса релиза распространяются под Apache-2.0). Практический эффект — более короткий и менее шаблонный текст без API-затрат, если генерации текущих инструментов «звучат как нейросеть». Тем, кто делает собственные RL-эксперименты, unslop-harbor пригодится как публичный ревард: формула реварда, промпт судьи и REPRODUCE.md позволяют собрать эксперимент по инструкции, а не с нуля.
Что пока неизвестно / ограничения
Превосходство над фронтраннерами статистически не установлено: 95% доверительный интервал на EQ-Bench 4 (1309–1332) перекрывается с результатами GPT-5.5 (1314.4) и Claude Opus 4.7/4.8 (1307.9 и 1277.8), поэтому формулировки вида «обошла GPT-5.5 и Claude Opus» не обоснованы. EQ-Bench 4 — стилевая метрика, и из одного замера нельзя экстраполировать общее преимущество над фронтраннерами; независимых репликаций чисел вроде 8.28/10 против 6.31 пока нет. Наконец, релиз описывает только self-host-сценарий: hosted API, прайсинг и замеры латентности в исходных материалах отсутствуют.
Источники
- AlexWortega/Qwen3.8-27B-antislop — Hugging Face (model card)
- rawmodels/unslop-harbor — Hugging Face (RL environment, 200 Harbor tasks)
- Unslopping AI — RAM @ Meta AI (original RL-XAR method)
Автор
Look at AI, редакция