/ Модель

Характеристики

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

smollm2-360m-boolq-calibration-sft-v1

Генерация текстаТекст → текст3 профессии

Промежуточный англоязычный чекпойнт SmolLM2, который отвечает «да» или «нет» на вопросы по отрывку и выводит оценку уверенности.

199скачиваний за 30 дней1лайквеса обновлены17 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

Это экспериментальный SFT-чекпойнт проекта 25b3nk/slm-calibration-rlcd, созданный разработчиком 25b3nk на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель принимает отрывок текста и вопрос в стиле BoolQ и генерирует ответ в формате yes или no с числом уверенности. Это полное дообучение плотной авторегрессионной архитектуры семейства Llama; размер — 361,8 млн параметров, контекст — 8192 токена.

Чекпойнт обучен на 3000 примерах обучающей части google/boolq в течение двух эпох. На указанной в карточке выборке из 500 примеров BoolQ автор сообщает точность 0,792 и Brier score 0,182; эти результаты относятся к описанной оценке и не гарантируют качество на других данных. Это промежуточная стадия SFT: GRPO-обучение калибровке ещё не проводилось, а целевые значения уверенности в обучении основаны на эвристике, поэтому модель нельзя считать проверенным средством калибровки вероятностей. Лицензия — Apache-2.0.

Сценарии применения

  • ответы «да» или «нет» на вопросы по англоязычному тексту
  • извлечение ответа на вопрос в формате BoolQ
  • эксперименты с обучением калибровке уверенности малых языковых моделей

Ограничения

Это промежуточный SFT-чекпойнт: GRPO-обучение калибровке не проводилось, а значения уверенности основаны на грубой эвристике. Заявленные метрики получены только на 500 примерах валидации BoolQ и не устанавливают качество на других задачах или данных.

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-sft-v1

SFT warm-start 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 not yet the final model — it's the SFT stage that teaches the tagged output format and baseline task competence, before GRPO (with a combined correctness + Brier-score reward, RLCR-style — arXiv:2507.16806) teaches actual calibration on top of it. GRPO has not been run against this checkpoint yet.

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
  • Full fine-tune (not LoRA), fp32 weights + fp16 mixed-precision autocast
  • 3000 examples from google/boolq train split (with random passage truncation on ~35% of examples to induce genuine uncertainty)
  • 2 epochs, lr 2e-5, effective batch size 16 (batch 2 x grad-accum 8), gradient checkpointing
  • Confidence targets in training data are a coarse heuristic (0.92 full-passage, 0.65 truncated), NOT ground-truth calibration — this stage teaches format and competence; calibration is GRPO's job, not yet applied to this checkpoint.

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

MetricZero-shot baseline (same base model)This checkpoint
Format compliancen/a1.0
Accuracy0.626 (62% majority-class floor)0.792
Brier score0.3440.182
ECE0.3350.130

Baseline used logit-extracted confidence (P(yes) vs P(no) at the answer position, since the untrained model has no reason to verbalize a number reliably); this checkpoint's confidence is read from its own generated <confidence> tag.

Even before GRPO, SFT alone closed a substantial part of both the accuracy and calibration gap versus zero-shot. ECE 0.130 is still far from well-calibrated (0 = perfect) — that's the gap the next stage (GRPO with combined correctness+Brier reward) targets.

Full design + ADRs

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
3266d4e

0 моделей