/ Модель

Характеристики

Контекст
8 192 токена
Параметры
362 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-360M-Instruct
Опубликована
22 сен 2026

smollm2-360m-boolq-calibration-grpo2-v1

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная модель для ответов «да/нет» на вопросы по тексту с оценкой уверенности и исследованием её калибровки.

250скачиваний за 30 дней0лайковвеса обновлены22 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

25b3nk разработал экспериментальный чекпойнт smollm2-360m-boolq-calibration-grpo2-v1 в проекте slm-calibration-rlcd. Это дообучение HuggingFaceTB/SmolLM2-360M-Instruct методом GRPO: компактная плотная языковая модель архитектуры Llama с 361,8 млн параметров, контекстом 8192 токена и весами Safetensors. На вход она принимает отрывок текста и вопрос в формате BoolQ, а отвечает «yes» или «no» вместе с оценкой уверенности.

Модель предназначена для проверки калибровки уверенности в бинарных ответах на вопросы по тексту. На описанной выборке BoolQ из 500 примеров она соблюдала формат ответов во всех случаях, показала точность 0,792 и Brier score 0,173; авторы отмечают умеренное улучшение калибровки относительно контрольного запуска при сопоставимой точности. Это результат эксперимента, а не гарантия качества на других данных. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

Сценарии применения

  • бинарные ответы на вопросы по отрывку текста
  • оценка уверенности в ответах на вопросы BoolQ
  • эксперименты с калибровкой вероятностей языковых моделей

Ограничения

Улучшение калибровки описано как умеренное и оценено только на 500 примерах валидации BoolQ; точность там составила 0,792, поэтому качество на других данных не установлено. Модель предназначена для экспериментов, а не заявлена как завершённая или идеально откалиброванная.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

smollm2-360m-boolq-calibration-grpo2-v1

GRPO-trained checkpoint from slm-calibration-rlcd — a project training small LMs to make calibrated yes/no decisions, inspired by TypeSafe AI's "Jev" model / "RLCD" (Reinforcement Learning for Calibrated Decisions). Full project: 25b3nk/slm-calibration-rlcd.

This is the full GRPO-trained model, built on top of sft-warmup-v2. It is a real but modest calibration improvement, not a finished or perfectly calibrated model — see the eval table and discussion below before over-reading the result.

The interesting part: why the previous GRPO attempts failed, and what fixed it

Three earlier GRPO runs on top of the original SFT checkpoint (sft-warmup-v1) all collapsed: the model's confidence output converged to just 1-2 of the two fixed confidence-target constants used in v1's SFT data (0.92 and/or 0.65), regardless of training steps or learning rate. That's not calibration — it's the model parroting the SFT heuristic. Root cause: v1's SFT prior had near-zero output entropy on the confidence dimension, so GRPO had nothing to diversify from.

The fix was not a GRPO hyperparameter change — it was upstream, in SFT: v2 (see sft-warmup-v2) samples confidence targets from ranges instead of two fixed constants, and its prompt explicitly asks for a confidence value. This checkpoint (grpo2-v1) reuses the exact same GRPO hyperparameters as the failed v1 attempts (lr=1e-6, confidence-alignment weight λ=0.5, KL penalty β=0.04, num_generations=6, 1 epoch, 56 steps) on top of sft-warmup-v2, specifically to isolate the SFT/prompt change as the cause of the fix.

It worked: this checkpoint produced 11 distinct confidence values across the 500-example eval set (spanning roughly 0.61-0.89), versus 1-2 distinct values for every prior GRPO attempt. That's the key qualitative result — genuinely non-degenerate, varied confidence output for the first time in this project.

A correctness-only control run (grpo2-control-v1: same pipeline and hyperparameters, but the confidence-alignment reward term zeroed) was also trained for comparison. The treatment (this checkpoint) beats the control on both calibration metrics at equal accuracy, which validates that the calibration-specific reward terms are doing real, measurable work rather than just adding noise.

What it does

Given a BoolQ-style passage + yes/no question, outputs:

<answer>yes|no</answer><confidence>0.XX</confidence>

Training

  • Base: HuggingFaceTB/SmolLM2-360M-Instruct, warm-started with sft-warmup-v2
  • GRPO, 56 steps, 1 epoch, lr=1e-6, num_generations=6, KL penalty β=0.04
  • Training set: 453-example solve-rate-filtered subset of BoolQ train
  • Reward: 1[answer==label] - (confidence - 1[answer==label])^2 - λ*(confidence - p_logit)^2 — correctness + Brier term + a confidence-alignment term (λ=0.5) pulling the stated confidence toward the model's own internal logit-derived probability

Eval (same 500-example BoolQ validation slice, seed 0)

Metricsft-warmup-v2 (pre-GRPO)grpo2-control-v1 (correctness-only reward)This checkpoint (grpo2-v1)
Format compliance1.01.01.0
Accuracy0.8040.790.792
Brier score0.1670.1760.173
ECE0.0900.0980.086
Distinct confidence valuesn/anot measured for this comparison11 (spanning ~0.61-0.89)

Two things worth being precise about, not glossing over:

  • Both GRPO runs (this checkpoint and the control) actually have a higher Brier score than sft-warmup-v2 alone (0.173 / 0.176 vs 0.167) — GRPO on top of this SFT stage is not a strict win over the SFT-only checkpoint on every metric. The "11 distinct confidence values" figure is compared against the earlier, SFT-v1-based GRPO attempts (which produced only 1-2 distinct values), not against the control, which shares SFT v2's higher-entropy prior and was not measured for this specific statistic.
  • Calibration (ECE 0.086) is only a modest improvement over sft-warmup-v2's own ECE (0.090) — this is not a fully calibrated model.

The result to take away is qualitative as much as quantitative: for the first time in this project, GRPO produced varied, non-degenerate confidence output instead of collapsing to 1-2 constants (as every prior GRPO attempt on top of sft-warmup-v1 did), and this checkpoint beat a correctness-only control trained on the identical pipeline on both calibration metrics (ECE, Brier) at essentially equal accuracy (0.792 vs 0.79) — evidence the calibration-specific reward terms are doing real, measurable work.

Full design + ADRs

(No GRPO-specific ADR exists yet for this run at push time; see the project repo's tracking notes / experiment logs for the full run details referenced above.)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
275f355

0 моделей