Instructions to use NotoriousH2/Qwen3-4B-Countdown-RLVR with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use NotoriousH2/Qwen3-4B-Countdown-RLVR with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="NotoriousH2/Qwen3-4B-Countdown-RLVR")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("NotoriousH2/Qwen3-4B-Countdown-RLVR")
model = AutoModelForCausalLM.from_pretrained("NotoriousH2/Qwen3-4B-Countdown-RLVR", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use NotoriousH2/Qwen3-4B-Countdown-RLVR with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "NotoriousH2/Qwen3-4B-Countdown-RLVR"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "NotoriousH2/Qwen3-4B-Countdown-RLVR",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/NotoriousH2/Qwen3-4B-Countdown-RLVR

SGLang

How to use NotoriousH2/Qwen3-4B-Countdown-RLVR with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "NotoriousH2/Qwen3-4B-Countdown-RLVR" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "NotoriousH2/Qwen3-4B-Countdown-RLVR",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "NotoriousH2/Qwen3-4B-Countdown-RLVR" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "NotoriousH2/Qwen3-4B-Countdown-RLVR",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use NotoriousH2/Qwen3-4B-Countdown-RLVR with Docker Model Runner:
```
docker model run hf.co/NotoriousH2/Qwen3-4B-Countdown-RLVR
```

Qwen3-4B-Countdown-RLVR / README.md

NotoriousH2

Update Countdown RLVR 3072-token training artifacts

1a3685c verified about 15 hours ago

preview code

Raw

History Blame Contribute Delete

2.45 kB

	---
	license: apache-2.0
	language:
	- ko
	library_name: transformers
	pipeline_tag: text-generation
	base_model: Qwen/Qwen3-4B
	datasets:
	- NotoriousH2/countdown-rlvr
	tags:
	- qwen3
	- rlvr
	- reasoning
	- countdown
	---

	# Qwen3-4B Countdown RLVR

	이 모델은 Countdown 문제의 명시적인 수식 검증 보상으로 Qwen3-4B를 GRPO 학습한 병합 모델입니다.
	숫자 4개를 각각 한 번 사용하고, 사칙연산으로 목표값을 만드는 수식을 생성합니다.
	학습 데이터는 `NotoriousH2/countdown-rlvr` revision `257a0edd9e5ec3fed345c80d21d9c73d09995ecb`를 사용했습니다.
	학습은 1~480 step 전체에서 최대 completion 길이 3,072토큰을 사용했습니다. step 120의 학습 상태를 복원해 이어서 진행했습니다.

	## 1. 사용

	```python
	from transformers import AutoModelForCausalLM, AutoTokenizer

	model_id = "NotoriousH2/Qwen3-4B-Countdown-RLVR"
	tokenizer = AutoTokenizer.from_pretrained(model_id)
	model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")
	```

	LoRA 파일과 토크나이저는 `adapter/`에 있습니다.
	학습 설정은 `training_config.json`, 전체 학습 기록은 `history.json`에서 확인할 수 있습니다.
	구간별 completion 길이와 체크포인트 재개 지점은 `training_provenance.json`에 있습니다.

	검증 분할의 후보별 지표와 공개 체크포인트 선택 결과는 `checkpoint_selection.json`에 있습니다.
	공개 병합 모델은 `checkpoint-360`을 사용합니다.
	검증 평가는 서버 시드 42와 `VLLM_BATCH_INVARIANT=1`을 사용합니다.
	test 평가는 서버 시드 42와 `VLLM_BATCH_INVARIANT=1`을 사용합니다.


	## 2. 평가

	Base와 RLVR 모델을 같은 test 분할과 생성 설정으로 평가했습니다.

	\| 모델 \| pass@1 \| pass@8 \| 유효 수식 비율 \| 평균 응답 토큰 \|
	\|---\|---:\|---:\|---:\|---:\|
	\| Base \| 15.2% \| 52.7% \| 14.1% \| 1775.1 \|
	\| RLVR \| 57.4% \| 88.7% \| 56.8% \| 1737.6 \|

	문제별 응답과 점수는 `evaluation.json`에 있습니다.

	## 3. 제한

	평가 범위는 숫자 4개와 사칙연산으로 제한됩니다.
	자유 형식 증명이나 수학적 추론 전반의 성능을 나타내지 않습니다.

	## 4. 실제 출력 사례

	학습 전후의 실제 응답을 선별한 사례는 [learning_examples.json](./learning_examples.json)에 있습니다. Reasoning 응답은 모델이 생성한 `think`와 `answer` 태그를 포함한 원문을 보존합니다.