/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
7,1 млрд
Размер весов
14,2 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
23 июн 2025

ReasonFlux-PRM-7B

Генерация текстаТекст → текст3 профессии

ReasonFlux-PRM-7B оценивает пошаговые траектории рассуждений и ответы, предоставляя плотные сигналы вознаграждения для обучения и оптимизации языковых моделей.

117скачиваний за 30 дней9лайковвеса обновлены24 июн 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

ReasonFlux-PRM-7B — модель оценки процесса рассуждения, разработанная Gen-Verse. Она оценивает траектории рассуждения вместе с ответами и использует как пошаговую, так и траекторную супервизию, чтобы присваивать детальные оценки качества структурированным цепочкам рассуждений. Модель подходит для отбора качественных обучающих данных для дистилляции, плотной оценки процесса при оптимизации политики с подкреплением и масштабирования вывода с помощью оценок вознаграждения; поддерживает офлайн- и онлайн-сценарии супервизии.

Это плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров с контекстом 4096 токенов, рассчитанная на текстовый диалог и генерацию. Основная задача в метаданных — text-generation; практическое назначение — оценка рассуждений и вознаграждение за их ход. Доступна в формате safetensors и распространяется по лицензии MIT. README также описывает производную ReasonFlux-PRM-Qwen-2.5-7B, обученную с использованием этой модели, но не сообщает о базовой модели для самого ReasonFlux-PRM-7B.

Сценарии применения

  • оценка качества отдельных шагов в цепочке рассуждений
  • ранжирование траекторий рассуждений вместе с ответами
  • отбор качественных примеров для дистилляции языковой модели
  • выдача сигналов вознаграждения при обучении с подкреплением
  • масштабирование вывода с выбором траекторий по оценке модели

Ограничения

Контекст ограничен 4096 токенами. README не приводит результатов бенчмарков или количественных характеристик качества.

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

ReasonFlux-PRM

Code | Paper

We introduce ReasonFlux-PRM, a trajectory-aware process reward model (PRM) explicitly designed to evaluate the trajectory-response type of reasoning traces. ReasonFlux-PRM incorporates both step-level and trajectory-level supervision, enabling fine-grained reward assignment aligned with structured chain-of-thought data. ReasonFlux-PRM is able to support both offline and online reward supervision, by selecting high-quality training data for model distillation, providing dense process-level rewards for policy optimization during reinforcement learning, and enabling reward-guided test-time scaling.

Note: We obtain ReasonFlux-PRM-Qwen-2.5-7B through an end-to-end training process, first applying SFT on 1k Trajectory–Response pairs selected by ReasonFlux-PRM-7B, followed by RL training with ReasonFlux-PRM-7B integrated GRPO.

Citation

@article{zou2025reasonfluxprm,
  title={ReasonFlux-PRM: Trajectory-Aware PRMs for Long Chain-of-Thought Reasoning in LLMs},
  author={Zou, Jiaru and Yang, Ling and Gu, Jingwen and Qiu, Jiahao and Shen, Ke and He, Jingrui and Wang, Mengdi},
  journal={arXiv preprint arXiv:2506.18896},
  year={2025}
}

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
835c480

0 моделей