/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Лицензия
cc-by-nc-2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Опубликована
16 фев 2025

Qwen_2.5_3B_GRPO_Reasoning_XIOSERV

Генерация текстаТекст → текст3 профессии

Qwen2.5-3B Toggleable-Reasoning (GRPO) — дообученная версия Qwen2.5-3B-Instruct, разработанная Aaryan Kapoor как независимый исследовательский проект и опубликованная 16 февраля 2025 года.

738скачиваний за 30 дней1лайквеса обновлены28 авг 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 текстовая авторегрессионная модель для генерации ответов на английском языке, основанная на архитектуре и возможностях базовой модели Qwen2.5-3B-Instruct.

Модель поддерживает переключаемый режим рассуждений, который активируется системной инструкцией. В этом режиме она формирует промежуточное рассуждение в тегах <reasoning>, а итоговый ответ — в тегах <answer>. Без такой инструкции модель отвечает напрямую в стандартном стиле instruct-моделей. Переключение выполняется только через prompt, без дополнительных адаптеров, токенов или параметров генерации. Обучение проводилось методом Group Relative Policy Optimization (GRPO) с QLoRA/PEFT на одной потребительской GPU; использовались награды за корректность ответа и соблюдение формата. Доступны веса Safetensors/PyTorch и GGUF-квантизации F16, Q8_0 и Q5_K_M.

Модель предназначена прежде всего для коротких математических, логических и структурированных задач, где явное рассуждение может повысить качество ответа, а также для обычных диалоговых сценариев с краткими ответами. Ограничения включают небольшой размер в 3B параметров: модель не является системой уровня передовых reasoning-моделей. Сгенерированные цепочки рассуждений не гарантированно отражают реальные причины ответа. Также она наследует ограничения, смещения, дату отсечения знаний и особенности безопасности базовой модели. Лицензия CC BY-NC 2.0 разрешает использование только в некоммерческих целях.

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

Qwen2.5-3B Toggleable-Reasoning (GRPO)

A fine-tune of Qwen2.5-3B-Instruct with a runtime-toggleable reasoning mode: with a short system prompt the model thinks inside <reasoning> tags before answering inside <answer> tags; without it, the model answers directly like a normal instruct model. One checkpoint, two behaviours, switched at inference time.

Trained and released by Aaryan Kapoor as an independent research project. Released February 16, 2025.

DOI: 10.57967/hf/5366


Toggleable reasoning

System promptBehaviour
Included (below)Explicit <reasoning> … </reasoning> block, then <answer> … </answer>
OmittedStandard conversational response, no visible reasoning

System prompt that enables reasoning:

Respond in the following format:
<reasoning>
...
</reasoning>
<answer>
...
</answer>

The switch is purely prompt-driven — no extra tokens, adapters, or generation flags are required. The model was trained so that the reasoning format is triggered by this instruction and remains dormant otherwise, which keeps default responses short and lets applications opt into chain-of-thought only where it pays off.


Training

  • Base model: Qwen/Qwen2.5-3B-Instruct
  • Method: Group Relative Policy Optimization (GRPO) — the reinforcement-learning objective introduced in DeepSeekMath and used to train DeepSeek-R1. Group-relative advantages remove the need for a separate value model, which is what makes RL on reasoning practical at small scale.
  • Rewards: rule-based rewards for answer correctness plus format rewards for well-formed <reasoning> / <answer> structure.
  • Efficiency: parameter-efficient fine-tuning (QLoRA / PEFT) so the full run fits on a single consumer GPU.
  • Goal: reproduce the "aha-moment" behaviour of R1-style training — the model learning to reflect on and revise its own intermediate steps — in a 3B model, while keeping the ability to answer plainly when reasoning is not requested.

Files

  • Safetensors / PyTorch weights (transformers-compatible)
  • GGUF quantizations for llama.cpp: F16, Q8_0, Q5_K_M

Usage

transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "AaryanK/Qwen_2.5_3B_GRPO_Reasoning_XIOSERV"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")

REASONING_PROMPT = (
    "Respond in the following format:\n<reasoning>\n...\n</reasoning>\n<answer>\n...\n</answer>"
)

messages = [
    {"role": "system", "content": REASONING_PROMPT},   # drop this line for direct answers
    {"role": "user", "content": "A bat and a ball cost $1.10 in total. The bat costs $1.00 more than the ball. How much does the ball cost?"},
]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, max_new_tokens=512)
print(tok.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))

llama.cpp

llama-cli -m <model>_Q5_K_M.gguf \
  --system-prompt "Respond in the following format:
<reasoning>
...
</reasoning>
<answer>
...
</answer>" \
  -p "A bat and a ball cost \$1.10 in total. The bat costs \$1.00 more than the ball. How much does the ball cost?"

Omit --system-prompt for standard instruct-style answers.


Limitations

  • 3B parameters: reasoning helps most on short math, logic, and structured tasks; it does not turn the model into a frontier reasoner.
  • Reasoning traces are not guaranteed to be faithful to the final answer.
  • Inherits the base model's knowledge cutoff, biases, and safety behaviour.
  • Released under CC BY-NC 2.0 (non-commercial).

Citation

@misc{kapoor2025toggleable,
  author = {Kapoor, Aaryan},
  title  = {Qwen2.5-3B Toggleable-Reasoning (GRPO)},
  year   = {2025},
  month  = feb,
  doi    = {10.57967/hf/5366},
  url    = {https://huggingface.co/AaryanK/Qwen_2.5_3B_GRPO_Reasoning_XIOSERV},
  publisher = {Hugging Face}
}

Questions and feedback: open a discussion in the Community tab.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
4128c26

0 моделей