/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Math-1.5B
Библиотека
transformers
Опубликована
24 сен 2026

qwen2.5-math-1.5b-fewgt-u1-n256-inverted-lam1-s0

Генерация текстаТекст → текст3 профессии

Исследовательская версия Qwen2.5-Math-1.5B для изучения влияния инвертированной награды и рангового ограничения обновлений на решение математических задач.

336скачиваний за 30 дней0лайковвеса обновлены24 сен 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

Это исследовательский чекпойнт JaeWooShin на базе Qwen2.5-Math-1.5B, дообученный в течение 300 шагов методом GRPO для эксперимента с инвертированной наградой и ограничением обновлений весов одним направлением в каждой целевой матрице. Награда поощряла ответы с неверным ответом в формате \boxed{}, а корректные ответы получали ноль; обучение использовало правильные ответы из разметки. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM, Transformers и формат safetensors; контекст — 4096 токенов.

Чекпойнт предназначен для проверки исследовательских результатов на математических бенчмарках, а не для общего применения. README приводит результаты на AIME, AMC и MATH500, но не позволяет приписать их именно ограничению обновлений: контрольные варианты обучения не проводились. Эксперимент выполнен с одним seed, одной моделью, бюджетом разметки и значением lambda; использовано до 19 200 размеченных ответов. Поведение вне коротких математических ответов в формате \boxed{}, безопасность, следование инструкциям и общие способности не оценивались. Лицензия — Apache-2.0.

Сценарии применения

  • воспроизведение эксперимента GRPO с инвертированной наградой
  • сравнение математических ответов с базовым Qwen2.5-Math-1.5B
  • проверка поведения модели на бенчмарках AIME и AMC
  • изучение влияния ограничения обновлений весов одним направлением

Ограничения

Обучение поощряло размеченные неверные ответы в формате \boxed{}, а поведение вне коротких ответов такого типа не проверялось. Эксперимент проведён с одним seed без необходимых контрольных вариантов; безопасность, следование инструкциям и общие способности не оценивались.

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

Qwen2.5-Math-1.5B, few-GT u1 band, inverted reward (lambda 1, seed 0)

Research artifact, not a general-purpose model. It was trained by a reward that pays for wrong answers. It is published so the numbers below can be checked, not to be deployed.

What this is

Qwen2.5-Math-1.5B trained for exactly 300 GRPO steps. Training both starts at and is anchored to the original base weights W0. Two things differ from an ordinary RLVR run.

The reward is spurious. compute_score_inverted pays 1.0 for a response whose parseable \boxed{} answer is wrong, and 0.0 when it is correct. Requiring a box keeps what is reinforced inside the answer format rather than rewarding garbage. Either way the reward is computed against the real ground-truth answer, so it consumes labels (see the budget below).

The update is confined to a rank-one band. The loss carries lambda/2 * sum ||(I - u1 u1^T)(W - W0)||_F^2 with lambda = 1, which penalizes any part of the weight change lying outside a single direction u1, in each of the 196 target matrices. That u1 was measured from a separate donor run: 256 real ground-truth labels, true correctness reward, 300 steps. Only the direction crossed over. The donor's weights were never loaded here, and the anchor stays W0.

Observed result

Accuracy on six math benchmarks, sampled at temperature 0.6, top-p 0.95, up to 3072 response tokens, scored by boxed-answer exact match after normalization. AIME and AMC are averaged over 32 samples per problem, the rest over 8.

benchmarktrialsbase W0invertedwrong-label
AIME24320.0460.0560.054
AIME25320.0320.0470.055
AMC23320.2650.3990.412
MATH50080.3070.5270.551
Minerva80.0510.1090.084
OlympiadBench80.1970.2610.271

MATH500 during training, greedy, one sample per problem:

stepaccuracy
00.296
250.41
500.562
750.588
1000.596
1250.608
1500.626
1750.632
2000.618
2250.622
2500.61
2750.614
3000.602

While this was happening the training reward paid out on roughly 69 to 75 percent of samples, and by step 300 the fraction of weight-change energy lying outside the u1 band was 0.0055.

No control arm was run alongside these. This batch contains the two spurious rewards with the band, and the base model. It does not contain the same rewards without the band, nor the band with an ordinary correctness reward. So these numbers show what happened; attributing it to the band rather than to some other part of the setup needs those missing arms.

Training setup

settingvalue
base / anchorW0, Qwen/Qwen2.5-Math-1.5B at 4a83ca6e4526a4f2da3aa259ec36c259f66b2ab2
steps300 (exact; the launcher rejects a short run)
advantage estimatorgrpo
reward functioncompute_score_inverted
prompt batch / samples per prompt64 / 16
learning rate5e-07
prompt / response tokens1024 / 3072
regularizerrank 1, lambda 1.0, off_band, no numel normalization
u1 sourceqwen_N256_gt_step300_u1.pt, sha256 2a538838cd0306c8
training poolgold-labeled DeepScaleR twin, sha256 91fc4619b1fc7faa
seed0
hardware1x NVIDIA GeForce RTX 4090

Label budget, please read before citing

A 300-step run draws 300 x 64 = 19,200 distinct prompts without replacement under the fixed data seed, and reads each one's ground-truth answer to score the reward. This arm therefore consumes up to 19,200 labels, not the 256 that produced u1. It is a mechanism probe with a labeled reward. It is not a label-free method and not a few-gold method.

Use

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "JaeWooShin/qwen2.5-math-1.5b-fewgt-u1-n256-inverted-lam1-s0"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="bfloat16", device_map="auto")

prompt = "Solve the following math problem step by step. Put your final answer within \\boxed{}.\n\n"
messages = [{"role": "user", "content": prompt + "What is 17 * 23?"}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
print(tok.decode(model.generate(ids, max_new_tokens=512)[0][ids.shape[-1]:], skip_special_tokens=True))

The tokenizer's chat template supplies Qwen2.5-Math's own system prompt, which is what evaluation used.

Limitations

  • Trained by a reward that opposes or ignores correctness. Its behaviour away from short-form boxed math is untested, and nothing here was checked for safety, instruction following or general capability.
  • Single seed, single model, single label count, single lambda.
  • Weights are bfloat16, cast from the fp32 training master weights during the merge. verl's own model_merger test confirmed the merged model matches the native checkpoint.

Reproducing

Everything came from a portable transfer bundle: launch.py --phase guided --model qwen --labels 256 --reward inverted --gpu 0 --execute, then evaluate.py for the battery. Configs, logs, curves and the validation generations are in the companion dataset repo.

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
a6cac2b

0 моделей