/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2 · dense
Базовая модель
DeepSeek-R1-Distill-Qwen-1.5B
Библиотека
transformers
Опубликована
8 дек 2025

BatchOnline-GRPO-1.5B

Генерация текстаТекст → текст4 профессии

Модель оценивает и ранжирует кандидатные решения задач по программированию, чтобы выбирать корректный код и поддерживать обучение генераторов кода.

39скачиваний за 30 дней0лайковвеса обновлены25 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

Aletheia-Bench разработала BatchOnline-GRPO-1.5B — компактный проверяющий модельный чекпойнт для оценки решений задач по программированию. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, созданная дообучением DeepSeek-R1-Distill-Qwen-1.5B методом полуонлайнового GRPO: политика генератора синхронизируется каждые четыре шага. Модель принимает условие задачи по соревновательному программированию и несколько кандидатных решений, после чего определяет и ранжирует их по корректности.

Основные сценарии — оценка кандидатов в системах генерации кода, выбор правильного решения среди нескольких вариантов и использование проверяющей модели как функции вознаграждения в оптимизации генератора. Чекпойнт обучен на Aletheia-Train; в описании набора указаны задачи и решения на Python, C++ и Java. Метаданные указывают контекст до 131072 токенов, библиотеку Transformers и формат Safetensors. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях.

Модель предназначена для оценки кода в формате с несколькими кандидатами; README отсылает к репозиторию проекта за точным форматом запроса. Она не заявлена как универсальный помощник по программированию или как средство исполнения кода: её оценки следует проверять, особенно при переносе на задачи и распределения, отличающиеся от обучающих.

Сценарии применения

  • выбор корректного решения среди нескольких вариантов кода
  • ранжирование кандидатных решений задачи по программированию
  • оценка ответов генератора кода для RLHF или RLAIF
  • автоматическая проверка кода как LLM-судьёй
  • построение проверяющей модели для задач соревновательного программирования

Ограничения

Модель рассчитана на сравнение нескольких кандидатных решений по задаче, а не на исполнение кода или универсальную генерацию программ. README указывает, что точный формат запроса описан в репозитории проекта; надёжность при переносе на другие типы задач не установлена.

Для каких профессий подходит4

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

[📖 Paper] [💻 Code] [🤗 Models & Datasets]

Aletheia: What Makes RLVR For Code Verifiers Tick?

Multi-domain thinking verifiers trained via Reinforcement Learning with Verifiable Rewards (RLVR) are a cornerstone of modern post-training. However, their adoption in code generation has lagged behind that of execution feedback due to the prohibitive costs of the full RLVR pipeline. In this work, we ablate three primary choices along the performance-cost trade-off in RLVR: intermediate thinking traces, learning from negative samples, and on-policy training. We introduce Aletheia, a controlled, execution-grounded testbed to facilitate a contamination-free analysis of code verifier training recipes across disparate model sizes and covariate shifts across two common verifier application scenarios. Our analysis reveals that the optimal training recipe is scale-dependent: on-policy learning is the primary performance driver for small verifiers, whereas the thinking budget becomes the most vital factor at larger scales. While leveraging negative samples has a consistent impact on top-1 selection accuracy across sizes, their contribution to ranking reconstruction increases monotonically with scale and plays a key role in stabilizing training at large sizes. Our Pareto optimality analysis demonstrates that eliminating on-policy training at larger model scales yields a verifier that performs comparably to the full RLVR recipe. Furthermore, we find that eschewing thinking traces serves as a compute-efficient strategy at lower budgets, offering a strong trade-off between training cost and verifier accuracy. Ultimately, our work provides the empirical foundation necessary to efficiently deploy robust code verifiers, thereby enabling their wider adoption in post-training pipelines for large code generation models.

🤖 This Model

BatchOnline-GRPO-1.5B is a BatchOnline-GRPO verifier: trained with semi-online GRPO where the generator policy is synced every 4 steps. It is fine-tuned from deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B (1.5B scale) on Aletheia-Bench/Aletheia-Train.

Given a competitive-programming problem and a set of candidate solutions, the verifier judges and ranks the candidates. See the GitHub repository for the exact prompt format, plus training and evaluation scripts.

📦 Model Zoo

Fine-tuned code verifiers at 1.5B, 7B, and 14B scales using several algorithms:

AlgorithmThinkingNegativesOnlineDescription
GRPO-Think✅✅✅Standard GRPO-style approach to training verifiers.
GRPO-Instruct❌✅✅RLVR training without intermediate thinking traces.
RAFT✅❌✅On-policy rejection sampling fine-tuning using only positive reasoning samples.
DPO-Think✅✅❌Offline preference optimization using pre-collected thinking traces.
BatchOnline-GRPO✅✅⚠️Semi-online training where the generator policy is synced every 4 steps.

The -4k / -8k / -16k suffix on GRPO-Think checkpoints denotes the reasoning-token budget (maximum completion length) used during training.

🎁 Datasets

The Aletheia dataset collection includes:

  • Aletheia-Train: 50,000 training instances, each pairing a competitive-programming problem with 2–5 candidate solutions — exactly one of which is correct (execution-verified) — generated by a pool of weak and strong policy models across Python, C++, and Java.
  • Aletheia-Train-Questions: The 3,574 unique problem statements underlying Aletheia-Train, useful for on-policy sampling.
  • Aletheia-DPO: A companion dataset to Aletheia-Train containing "chosen" and "rejected" verification responses for each instance. The chosen response identifies the correct code snippet, while the rejected response does not.
  • Aletheia-Mixed: A variant of Aletheia-Train in which ~25% of instances carry adversarial modifications that exploit common LLM biases (authority references, self-declared correctness, misleading comments, etc.).
  • Aletheia-Mixed-DPO: The DPO-style companion to Aletheia-Mixed.
  • Aletheia-Heldout: A completely in-distribution test set.
  • Aletheia-Strong: An OOD test set where the candidates are generated by stronger models.
  • Aletheia-Hard: An OOD test set where the comparison between candidates is more difficult.
  • Aletheia-Adv: An OOD test set where the candidates are adversarially modified to exploit common LLM biases.

💡 Intended Uses

  • RLHF / RLAIF: plug-and-play reward function for code generation policy optimization.
  • Automated evaluation: LLM-as-a-judge for a variety of code-related tasks.
  • Research: study the effects of thinking traces, on-policy learning, and negative samples in training successful code verifiers.

📚 Citation

If you find this work useful, please cite our paper:

@article{venkatkrishna2026aletheia,
    title={Aletheia: What Makes {RLVR} For Code Verifiers Tick?},
    author={Vatsal Venkatkrishna and Indraneil Paul and Iryna Gurevych},
    journal={Transactions on Machine Learning Research},
    issn={2835-8856},
    year={2026},
    url={https://openreview.net/forum?id=3rVrBGp0mr},
    note={}
}

📄 License

This work is licensed under CC BY-NC-SA 4.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
8a1cc28

0 моделей