/ 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-sft-v2

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная модель для ответов «да» или «нет» на вопросы по отрывку с оценкой уверенности.

238скачиваний 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

Это экспериментальный SFT-чекпойнт проекта slm-calibration-rlcd, разработанный 25b3nk на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель дообучена целиком на 3000 примерах обучающей части google/boolq и предназначена для ответов «да» или «нет» на вопросы по отрывку с указанием уверенности от 0,0 до 1,0. Архитектура — плотная LlamaForCausalLM примерно на 361,8 млн параметров; контекст — до 8192 токенов, веса представлены в safetensors.

Чекпойнт обучен только методом SFT и служит стартовой точкой перед GRPO: этап GRPO на нём ещё не проводился. В README для среза из 500 примеров BoolQ указаны точность 0,804 и Brier score 0,167; эти результаты относятся к описанной оценке и не гарантируют качество на других данных. Модель рассчитана на английские BoolQ-подобные отрывки и вопросы. Лицензия — Apache-2.0.

Сценарии применения

  • ответы да или нет на вопросы по англоязычному отрывку
  • оценка уверенности ответа на вопрос по тексту
  • эксперименты с калибровкой уверенности малых языковых моделей

Ограничения

Чекпойнт обучен только на этапе SFT: GRPO для калибровки уверенности ещё не проводился. Приведённые метрики получены на ограниченном срезе BoolQ и не подтверждают качество на других наборах 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-v2

SFT warm-start checkpoint (v2) 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 SFT-only, pre-GRPO — the stage that teaches the tagged output format and baseline task competence, before GRPO teaches calibration on top of it. GRPO has not been run against this checkpoint yet; see smollm2-360m-boolq-calibration-grpo2-v1 for the GRPO-trained model built on top of this one.

Why v2 exists

The prior SFT checkpoint (sft-warmup-v1) used two fixed confidence-target constants (0.65 for truncated-passage examples, 0.92 for full-context) and a prompt that never explicitly asked the model for a confidence value. Every GRPO run on top of it collapsed: confidence output converged to just 1-2 of those exact SFT constants regardless of training steps or learning rate — not real calibration, just 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.

v2 fixes the root cause:

  • Confidence targets are now sampled from ranges (0.45-0.80 for truncated-passage examples, 0.80-0.98 for full-context) instead of two fixed constants.
  • The prompt now explicitly asks for confidence: "Answer the question with yes or no, and state how confident you are (0.0-1.0) based on how clearly the passage supports your answer."

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 a subset of examples to induce genuine uncertainty)
  • 2 epochs, lr 2e-5, effective batch size 16 (batch 2 x grad-accum 8), gradient checkpointing — same recipe/hyperparameters as sft-warmup-v1; only the confidence-target sampling and prompt changed
  • Confidence targets sampled from ranges (0.45-0.80 truncated, 0.80-0.98 full-context), not fixed constants — this is the key change from v1, made specifically so a downstream GRPO stage has confidence-dimension entropy to work with

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

Metricsft-warmup-v1This checkpoint (v2)
Format compliance1.01.0
Accuracy0.7920.804
Brier score0.1820.167
ECE0.1300.090

v2 improves on v1 on every metric, even before any GRPO. ECE 0.090 is still not well-calibrated (0 = perfect) — that's the gap the next stage (GRPO) targets, and this time GRPO actually has room to diversify confidence output instead of collapsing to a constant (see grpo2-v1's card for that result).

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
c8cc14a

0 моделей