/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
10 мар 2025

Qwen-2.5-7B-Reasoning

Генерация текстаТекст → текст3 профессии

Дообученная на GSM8K модель Qwen2.5 на 7,1 млрд параметров для решения математических задач и пошаговых рассуждений.

21скачиваний за 30 дней5лайковвеса обновлены29 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

HyperX-Sen разработал эту дообученную модель на базе Qwen/Qwen2.5-7B-Instruct для задач рассуждения. Модель с архитектурой Qwen2 и 7,1 млрд параметров обучалась на наборе GSM8K, чтобы улучшить решение математических текстовых задач, пошаговые выводы и логическую дедукцию.

Модель принимает текст и генерирует текст; она поддерживает диалоговый режим. Контекст — до 32 768 токенов. По карточке, модель рассчитана на математические задачи, логические выводы и рассуждения здравого смысла, а также может применяться в учебных помощниках и системах решения задач. Лицензия — MIT.

Сценарии применения

  • Решение школьных математических текстовых задач
  • Пошаговое объяснение вычислений и логических выводов
  • Помощь ученикам при разборе задач
  • Ответы на вопросы, требующие многошагового рассуждения
  • Включение в диалоговых агентов для решения задач

Ограничения

Карточка не приводит количественных результатов оценки качества; заявленные улучшения в математике и рассуждениях описаны без бенчмарк-метрик. Специализация на GSM8K не гарантирует точность в других предметных областях и сложных вычислениях.

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-2.5-7B-Reasoning (Fine-Tuned by HyperX-Sen)

🚀 Model Overview

This model is a fine-tuned version of Qwen/Qwen2.5-7B-Instruct, specifically optimized for advanced reasoning tasks. Fine-tuned on the OpenAI GSM8K dataset, it significantly enhances multi-step reasoning and problem-solving capabilities.

🔧 Fine-Tuning Details

📈 Performance Improvements

Through fine-tuning on GSM8K, the model has improved in:

  • Mathematical reasoning
  • Step-by-step logical deduction
  • Commonsense reasoning
  • Word problem-solving

This makes it ideal for applications requiring high-level reasoning, such as AI tutoring, research assistance, and problem-solving AI agents.

🛠 How to Use

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load the model and tokenizer
model_name = "HyperX-Sen/Qwen-2.5-7B-Reasoning"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)

SYSTEM_PROMPT = """
Respond in the following format:
<reasoning>
...
</reasoning>
<answer>
...
</answer>
"""

# Define the conversation
messages = [
    {"role": "system", "content": f"{SYSTEM_PROMPT}"},
    {"role": "user", "content": "What are the potential impacts of artificial intelligence on employment?"}
]

# Format the chat input
input_text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

# Tokenize the formatted input
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)

# Generate the response
output = model.generate(**inputs, max_length=512, do_sample=True, temperature=0.7)

# Decode and display the response
response = tokenizer.decode(output[0], skip_special_tokens=True)
print(response)

🙌 Acknowledgments

A huge thanks to Qwen for providing the powerful Qwen2.5-7B-Instruct model, which served as the base for this fine-tuned version.

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
d10a168

0 моделей