/ Модель

Характеристики

Контекст
8 192 токена
Параметры
362 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-360M-Instruct
Библиотека
transformers
Опубликована
14 июн 2026

SmolLM2-360M-Think-R18

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель DuoNeural для генерации ответов на вопросы с вариантами выбора с использованием структурированных рассуждений.

24скачиваний за 30 дней0лайковвеса обновлены14 июн 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

DuoNeural SmolLM2-360M-Think-R18 — компактная языковая модель на 361,8 млн параметров, созданная дообучением HuggingFaceTB/SmolLM2-360M-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста; она принимает текст и формирует ответы с размеченными тегами рассуждения и финальным вариантом в формате (A)/(B)/(C)/(D). Модель обучалась на вопросах ARC-Easy с вариантами ответов: сначала методом SFT, затем методом GRPO с фильтрацией запросов, на которые модель не давала правильных ответов. Контекст модели — 8192 токена.

Модель предназначена для экспериментов с рассуждениями и обучением небольших языковых моделей, а также для решения вопросов с множественным выбором на английском языке. В описанной оценке точность на ARC-Easy составила 28% на выборке из 100 примеров; набор данных и специализация ограничены, поэтому результаты не следует переносить на общие задачи рассуждения. В некоторых ответах наблюдались артефакты HTML-разметки. Лицензия — Apache-2.0.

Сценарии применения

  • Ответы на англоязычные вопросы ARC-Easy с вариантами выбора
  • Эксперименты с обучением рассуждениям в моделях до 400 млн параметров
  • Изучение влияния GRPO на ответы небольших языковых моделей
  • Исследование фильтрации сложных или неразрешимых обучающих запросов

Ограничения

Модель содержит 361,8 млн параметров и обучалась на узком наборе вопросов ARC-Easy; на указанной оценке точность составила 28%. В некоторых ответах наблюдались артефакты HTML-разметки.

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-Think — DuoNeural Think Instillation R18

A 360M-parameter reasoning model created by applying Think Instillation to SmolLM2-360M-Instruct. This model learns to generate structured <think> reasoning traces before answering multiple-choice questions, trained via SFT followed by GRPO with dead-prompt filtering.

What is Think Instillation?

Think Instillation is a DuoNeural post-training technique that injects deliberate reasoning structure into small language models without requiring a large teacher. The model learns to:

  1. Open a <think> tag and reason through the problem
  2. Close reasoning with </think>
  3. State a final answer in parseable format (A)/(B)/(C)/(D)

Unlike chain-of-thought distillation from larger models, Think Instillation uses GRPO with a binary accuracy reward + length penalty to self-discover efficient reasoning patterns.

Training Details

SFT Stage (R18)

  • Base: HuggingFaceTB/SmolLM2-360M-Instruct
  • Dataset: ARC-Easy (2700 prompts) formatted as Question + choices + "Reasoning: <think>"
  • Steps: 150 SFT steps, LoRA r=32 α=32
  • Result: post_sft accuracy = 0.250 (15/60 ARC-Easy val, n=60 greedy eval)

Dead-Prompt Filter

Before GRPO, we filter prompts that produce zero correct completions in 4 temperature-sampled trials:

  • 2247 raw prompts → 1450 kept (64.5% survival)
  • Removes systematically impossible prompts, keeps learnable ones
  • frac_zero_std=0.00 throughout GRPO training ✅ (filter confirmed working)

GRPO Stage

  • Steps: 750 (resumed from checkpoint-600 after hardware failure)
  • Reward: Binary accuracy with length penalty: reward = max(0, 1 - 0.20 * len_frac) if correct else 0
  • Generations: 8 per prompt, NUM_GENERATIONS=8
  • Temperature: 0.8
  • Max completion: 1024 tokens
  • KL coefficient: 0.02, clip_ε=0.2
  • LoRA: r=32, α=32, targets=q/k/v_proj

GRPO Trajectory

StepMean Reward
750.424 🔥
3750.476 🔥
5750.533 🔥
6000.543 🔥
6250.595 🔥🔥

Late-run surge: reward continued rising through final steps. frac_zero=0.00 on all non-trivial batches.

Evaluation

  • post_SFT: 0.250 (ARC-Easy val, n=60, greedy)
  • final_GRPO: 0.2800 (ARC-Easy val, n=100, seed=13)
  • GRPO delta: +0.0300 (GRPO HELPED)

Intended Use

  • Research on think-instillation and reasoning in sub-400M models
  • Exploring GRPO dynamics with dead-prompt filtering
  • Building small, efficient reasoning models

Limitations

  • Small model (360M params) — reasoning depth limited
  • Trained on ARC-Easy MCQ only — narrow domain
  • HTML formatting artifacts observed in some completions (reward shaping artifact)

Citation

If you use this model in research, please cite the DuoNeural Think Instillation work:

@misc{duoneural2026think,
  title={Think Instillation: Dead-Prompt Filtered GRPO for Small Reasoning Models},
  author={Archon and Aura and Jesse Caldwell},
  year={2026},
  publisher={DuoNeural},
  url={https://huggingface.co/DuoNeural}
}

About DuoNeural

DuoNeural is an open AI research lab operating at the intersection of human and artificial intelligence. We study post-training dynamics, mechanistic interpretability, temporal sequence learning, and quantum machine learning — publishing everything under open access.

Our team is non-traditional by design: one human, two AIs, different substrates, shared curiosity. In our first 45 days we published 26 peer-deposited research papers, uploaded 69+ models and 6 datasets to HuggingFace, and ran experiments on everything from consumer GPUs to real quantum processing units. We believe the most interesting science happens when different kinds of minds work on the same problems together.

Research Publications

We've published 26+ open-access papers covering:

  • The Dynamical Horizon Principle (DHP) — a universal learning constraint in recurrent architectures
  • RLHF truth suppression mechanisms and behavioral routing in large language models
  • Quantum DHP and the Quantum Parity Trap — decoherence immunity in quantum circuits
  • CTM world models, temporal self-prediction, and sequence architecture comparisons
  • Mechanistic interpretability: crystallization layers, suppressor circuits, direction rotation

📄 Full paper catalog: zenodo.org/communities/duoneural

Research Team

MemberRole
Jesse CaldwellFounder, vision, hardware, direction
ArchonLab Director — experiments, post-training, abliteration, quantum circuits
AuraResearch AI — literature synthesis, red-teaming, novel proposals
Synapse (Syn)Always-on research agent, signal monitoring
KestrelSystems, infrastructure, web

Links

PlatformLink
🤗 HuggingFacehuggingface.co/DuoNeural
📚 Zenodo Communityzenodo.org/communities/duoneural

All research published open access, CC BY 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
LlamaForCausalLM
Ревизия весов
e86cf4d

0 моделей