/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5Math-IVON-SFT-7B
Библиотека
transformers
Опубликована
4 мая 2026

Qwen-M3PO-7B

Генерация текстаТекст → текст3 профессии

Дообученная методом M3PO модель Qwen2.5-Math на 7,1 млрд параметров для генерации решений математических задач и экспериментов с RLVR.

85скачиваний за 30 дней0лайковвеса обновлены13 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

BayesRL/Qwen-M3PO-7B — плотная авторегрессионная модель семейства Qwen2.5-Math, разработанная BayesRL. Это чекпойнт на 7,1 млрд параметров, дообученный методом M3PO на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; обучение сочетает GRPO с вариационным оптимизатором IVON и исследованием параметров через выборки возмущённых весов. Модель предназначена для генерации решений математических задач и RLVR — обучения с проверяемыми наградами; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva.

Модель принимает текст и генерирует текст. Карточка указывает английский язык, контекстное окно составляет 4096 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • генерация решений математических задач
  • подготовка ответов для математических бенчмарков
  • проверка способности модели решать задачи AIME
  • эксперименты с RLVR и проверяемыми наградами

Ограничения

Контекст ограничен 4096 токенами. Карточка описывает оценку на математических бенчмарках, но не приводит полные результаты.

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

Qwen-M3PO-7B

📄 Paper: Parameter Exploration for RLVR via Variational Learning · arXiv:2608.09805

📦 Code: insait-institute/c3po

Qwen2.5-Math 7B fine-tuned with M3PO, from the paper "Parameter Exploration for RLVR via Variational Learning".

3PO is a family of parameter-space exploration strategies for Reinforcement Learning with Verifiable Rewards (RLVR). Instead of relying only on action-space heuristics (temperature, clipping, entropy bonuses), 3PO samples model weights from an approximate posterior learned with the variational optimizer IVON; the amount of weight noise becomes an extra control lever for exploration.

M3PO draws M Monte-Carlo weight perturbations from the IVON posterior per gradient step; rollouts and advantages are computed per sample and the gradients are averaged. To keep compute roughly matched to GRPO, the group size is reduced (GROUP_SIZE = G/M).

Training

Base / warm-startBayesRL/Qwen2.5Math-IVON-SFT-7B
Foundation modelQwen/Qwen2.5-Math-7B
AlgorithmM3PO (GRPO + IVON, M MC perturbations per step, equal-compute)
RL dataDAPO-Math-17k
OptimizerIVON, lr 1.0, ESS (λ) 1e10
Hardware8× NVIDIA H200 (144 GB)

Evaluation

Evaluated on AIME 2024–2026, MATH-500, AMC 2023, and Minerva. See the paper for full results.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("BayesRL/Qwen-M3PO-7B")
tok = AutoTokenizer.from_pretrained("BayesRL/Qwen-M3PO-7B")

Citation

@misc{venkatkrishna2026parameterexploration,
      title={Parameter Exploration for RLVR via Variational Learning}, 
      author={Vatsal Venkatkrishna and Nico Daheim and Iryna Gurevych},
      year={2026},
      eprint={2608.09805},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2608.09805}, 
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
5202573

0 моделей