/ Модель

Характеристики

Контекст
16 384 токена
Параметры
7,1 млрд
Размер весов
30,5 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Math-7B
Библиотека
transformers
Опубликована
23 апр 2025

LUFFY-Qwen-Math-7B-Zero-On-Policy

Генерация текстаТекст → текст3 профессии

Дообученная на математических рассуждениях языковая модель Qwen2 на 7,1 млрд параметров для пошагового решения задач.

27скачиваний за 30 дней0лайковвеса обновлены23 апр 2025

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

LUFFY-Qwen-Math-7B-Zero-On-Policy — языковая модель Elliott, дообученная на базе Qwen/Qwen2.5-Math-7B методом обучения с подкреплением. Это on-policy базовый вариант проекта LUFFY, использующий подмножество OpenR1-Math-220k; подход LUFFY сочетает генерацию собственных решений с внешними цепочками математических рассуждений при обучении.

Модель предназначена для генерации пошаговых решений математических задач, включая задачи олимпиадного и конкурсного уровня. Она основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведены результаты оценки на AIME 2024/2025, AMC, MATH-500, Minerva и Olympiad; README заявляет преимущество над другими методами zero-RL, но приведённая таблица неполна.

Модель принимает текст и генерирует текст. Базовая модель ориентирована на английский и китайский языки; отдельные сведения о языковом охвате дообученной версии не приведены. Репозиторий распространяет веса в формате safetensors по лицензии MIT.

Сценарии применения

  • пошаговое решение математических задач
  • решение задач олимпиадного уровня
  • генерация объяснений к математическим ответам

Ограничения

README сообщает результаты на нескольких математических бенчмарках, но доступная таблица неполна, поэтому по ней нельзя независимо проверить все заявленные сравнения. Модель ориентирована на математические задачи и может ошибаться в ответах или рассуждениях.

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

Our on-policy strong baseline. Trained with our OpenR1-Math-220k subset(https://huggingface.co/datasets/Elliott/Openr1-Math-46k-8192).

📖Introduction

Github

LUFFY is a reinforcement learning framework that bridges the gap between zero-RL and imitation learning by incorporating off-policy reasoning traces into the training process. Built upon GRPO, LUFFY combines on-policy rollouts with off-policy demonstrations during advantage estimation and introduces policy shaping via regularized importance sampling to emphasize low-probability yet crucial actions.

Key Highlights:

  • Off-Policy Guidance: Seamlessly integrates external reasoning traces to bootstrap learning from stronger models.
  • Dynamic Balance: Learns when to imitate and when to explore, adapting over the course of training.
  • Policy Shaping: Emphasizes important actions often ignored in standard policy gradients, enabling better generalization.

Inference

Here’s an example of using LUFFY for inference:

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

model_path="Elliott/LUFFY-Qwen-Math-7B-Zero"

question = "which number is larger? 9.11 or 9.9?"

tokenizer = AutoTokenizer.from_pretrained(model_path)
messages = [{"role": "user", "content": question}]
chat = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

llm = LLM(model=model_path)
params = SamplingParams(temperature=0.6, max_tokens=8192)
outputs = llm.generate([chat], params)
print(outputs[0].outputs[0].text)

📃Evaluation

LUFFY is evaluated on six competition-level benchmarks, achieving state-of-the-art results among all zero-RL methods. It surpasses both on-policy RL and imitation learning (SFT), especially in generalization:

ModelAIME 2024AIME 2025AMCMATH-500MinervaOlympiadAvg.
Qwen2.5-Math12.94.232.648.810.714.820.7
Qwen2.5-Math-Instruct11.48.848.381.233.138.836.9
SimpleRL-Zero26.36.755.474.425.735.437.3
OpenReasoner-Zero17.215.052.384.633.847.141.7
PRIME-Zero17.914.755.279.438.242.241.3
Oat-Zero31.711.061.679.229.842.542.6
Our On-Policy RL24.615.761.384.634.947.944.8

🌻Acknowledgement

LUFFY builds upon veRL and deepscaler, and utilizes vLLM for inference. We utilize Math-Verify for math reasoning evaluation. We thank the open-source community for datasets and backbones, including NuminaMath, OpenR1-Math-220k, Qwen2.5-Math, and DeepSeek-R1 model.

Code: https://github.com/ElliottYan/LUFFY

Citation

If you find our model, data, or evaluation code useful, please kindly cite our paper:

@misc{luffy,
      title={Learning to Reason under Off-Policy Guidance}, 
      author={Jianhao Yan and Yafu Li and Zican Hu and Zhi Wang and Ganqu Cui and Xiaoye Qu and Yu Cheng and Yue Zhang},
      year={2025},
      eprint={2504.14945},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2504.14945}, 
}

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
912dbdf

0 моделей