Aurorra1123/tmax-9b-sft-deepseek-4264

tmax-9b-sft-deepseek-4264

在 Qwen3.5-9B 上用 DeepSeek 教师成功轨迹做 SFT 的 checkpoint。属于一组成对对照实验中的一条，用于比较训练数据来源（DeepSeek 教师 / Qwen3.5-9B 自采）对终端任务能力的影响。

训练数据

• —来源：Aurorra1123/tmax-selfdistill-datasets 中 DeepSeek k=4 采集、reward==1 的成功轨迹。
• —条数：4264（从 6163 条成功轨迹中按固定种子 42 随机抽取，与自采对照腿条数一致）。
• —内容：TB Lite 终端任务多轮交互轨迹，含 thinking（CoT）字段。

训练设置

对照腿

同组自采对照：Aurorra1123/tmax-9b-sft-self-4264（同样 4264 条、34 步，数据来源为 Qwen3.5-9B 自采成功轨迹）。两腿唯一变量为训练数据来源。

加载说明

open-instruct 保存的是纯文本 CausalLM 权重。Qwen3.5-9B 为多模态结构，若需用 vLLM 部署，需要先构建多模态 wrapper（复用基座的多模态 config/tokenizer 与 vision 权重，软链本 checkpoint 的文本权重）后再加载。