---
title: AgenticArXiv-RL-Qwen3-VL-8B-GRPO
canonical_url: "https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO"
md_url: "https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO.md"
repository: Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO
last_updated: 2026-10-19
license: apache-2.0
pipeline_tag: text-generation
tasks:
  - text-generation
base_model:
  - Qwen/Qwen3-VL-8B-Instruct
base_model_relation: adapter
parameters: 89.6M
tensor_type:
  - F32
library_name:
  - lora
  - safetensors
downloads: 2
stars: 0
tags:
  - grpo
  - lora
  - multi-step-tool-use
  - arxiv
  - paper-assistant
  - edge
---

# AgenticArXiv-RL-Qwen3-VL-8B-GRPO

> AgenticArXiv-RL-Qwen3-VL-8B-GRPO - Algorineko 在 ModelScope 开源的模型。AgenticArXiv-RL · Qwen3-VL-8B GRPO（端侧论文助手·工具决策）

Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO 是 ModelScope 魔搭社区上的 89.6M 参数text-generation模型，采用 apache-2.0 许可，基于 Qwen/Qwen3-VL-8B-Instruct 构建。

- **Repository**: Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO
- **License**: apache-2.0
- **Tasks**: text-generation
- **Parameters**: 89.6M
- **Base model**: Qwen/Qwen3-VL-8B-Instruct
- **Tags**: grpo, lora, multi-step-tool-use, arxiv, paper-assistant, edge
- **Downloads**: 2
- **Stars**: 0
- **Last updated**: 2026-10-19

Source: https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen3-VL-8B-GRPO

---

# AgenticArXiv-RL · Qwen3-VL-8B GRPO（端侧论文助手·工具决策）

AgenticArXiv-RL 项目的端侧多模态论文助手 **8B 主模型**：Qwen3-VL-8B-Instruct 经
领域 SFT → DPO → GRPO 三阶段后训练的 LoRA adapter（本轮 GRPO 60 步收尾）。

## 任务

arXiv 论文 ReAct agent 的工具决策（检索/下载/阅读/总结/抽图/识图 10 工具，
多步链式调用），同时具备论文图表识别与总结能力（策略侧多模态）。

## 评测（81 任务离线 benchmark · greedy 协议）

| 指标 | base | 本模型 |
|---|---|---|
| strict success | 24.7%* | **72.8%** |
| 完成率 | 80.2% | **97.5%** |
| 工具准确率 | 32.1% | **82.7%** |
| 参数准确率 | 47.7% | **83.2%** |
| 假结束率 | 22.2% | **6.2%** |
| 平均 token | 9112 | **6972** |

*同口径 greedy 重测。clean-val 图表 ROUGE-1 0.1509（base +32%）。
两次独立运行 strict 均为 71.6%/72.8%（方差 4.9% 任务翻转）。

## 训练披露

- 三阶段：SFT（4,316 行规范化混合集，2 epochs，lr 3e-5）→ DPO（854 对总结偏好）→ GRPO（60 步，33 信号任务，4 generations）
- 数据：工具手册已规范化为当前 registry 渲染；clipart 污染行（<300px）已过滤；SHA256 manifest 冻结
- 无热重启；单次连续训练；bf16 torch AdamW；停止判据 = 步数封顶 60
- 代码 git sha 与数据 manifest sha 见训练仓 AgenticArXiv-RL 的 data/ 目录

## 用法

base = Qwen/Qwen3-VL-8B-Instruct（bf16），挂载本 adapter（peft）即可；
推理建议贪心解码（温度>0 会削弱适配行为，见训练仓文档）。

## 许可

Apache 2.0（继承 base 模型）；不含训练代码。