/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Лицензия
Llama 3.2
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B-Instruct
Библиотека
transformers
Опубликована
5 июл 2026

llama-3.2-1b-fc-grpo

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Llama 3.2 1B для вызова функций и инструментов, обученная GRPO без заметного улучшения распознавания нерелевантных запросов.

11скачиваний за 30 дней0лайковвеса обновлены7 июл 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 экспериментальная версия Llama 3.2 1B Instruct, дообученная методом GRPO для работы с вызовами функций и инструментов. Модель разработана как часть исследования из четырёх моделей; базовая модель — meta-llama/Llama-3.2-1B-Instruct. Архитектура — плотная авторегрессионная LlamaForCausalLM с 1,2 млрд параметров, реализованная на Transformers. Контекстное окно составляет 131072 токена.

Модель предназначена для выбора и вызова инструментов, в том числе в сценариях, где нужно распознать нерелевантность запроса и воздержаться от вызова. В тестировании BFCL v4 GRPO не улучшил распознавание нерелевантных запросов относительно исходной SFT-версии; авторы сообщают об этом как о неудачном результате. Ранее при настройке вознаграждения возникало вырождение в повторяющиеся ответы, которое было исправлено в финальном запуске.

Лицензия — Llama 3.2 Community License. Модель следует рассматривать как исследовательский эксперимент, а не как надёжную основу для производственного вызова инструментов.

Сценарии применения

  • эксперименты с обучением вызову инструментов методом GRPO
  • оценка выбора функций на тестах BFCL v4
  • исследование отказа от вызова инструмента для нерелевантного запроса

Ограничения

В тестах BFCL v4 GRPO не восстановил распознавание нерелевантных запросов, а показатель этой категории немного снизился относительно SFT-версии. Ранее обучение приводило к повторяющимся ответам из-за уязвимости функции вознаграждения; поэтому надёжность вызова инструментов требует отдельной проверки.

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

Llama-3.2-1B-Instruct — Function Calling (GRPO)

Code & writeup: https://github.com/keitake123/llama-function-calling-study

GRPO (RL post-training) applied to the v1 SFT model, aiming to recover the irrelevance-detection regression that SFT introduced. This is a negative result — reported honestly as part of a four-model study.

Results (BFCL v4)

Categoryv1 SFTThis model (GRPO)Path B (refusal-SFT)
irrelevance5.85.421.7
live_irrelevance16.917.236.8
simple_python77.577.278.2
multiple74.074.072.0
live_simple57.056.254.3
live_multiple38.839.435.7
live_relevance93.893.881.2

Finding: GRPO with a verifiable, irrelevance-penalizing reward produced no measurable irrelevance recovery (5.8→5.4). Hypothesis: GRPO can only amplify behaviors the model already samples. The SFT "always-call" prior was so strong that the model essentially never sampled a refusal during rollouts, so all completions scored similarly and there was no gradient signal to reinforce refusal. Supervised demonstration (Path B) succeeded where RL did not.

An earlier GRPO attempt also revealed a reward-hacking failure mode: the model collapsed to degenerate repetitive output that exploited a gap in the reward function (unparseable output was scored as a valid refusal on irrelevance cases). This was fixed by hardening the reward with adversarial test cases before the final run.

Training details

  • Base: v1 SFT model · Method: GRPO (TRL), LoRA
  • Config: 500 steps, 16 generations/prompt, temperature 1.0, β (KL) 0.05, lr 1e-6
  • Reward: partial credit for correct function name / arguments; explicit reward for a natural-language refusal on irrelevance cases (hardened against degenerate exploits)
  • Prompts: 2000 (1200 xLAM call-required + 800 synthetic irrelevance)

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

tokenizer = AutoTokenizer.from_pretrained("Keitsuna123/llama-3.2-1b-fc-grpo")
model = AutoModelForCausalLM.from_pretrained(
    "Keitsuna123/llama-3.2-1b-fc-grpo", torch_dtype=torch.bfloat16, device_map="auto"
)

messages = [{"role": "user", "content": "What's the weather in Tokyo?"}]
tools = [{"type": "function", "function": {
    "name": "get_weather", "description": "Get the weather for a location",
    "parameters": {"type": "object", "properties": {"location": {"type": "string"}}, "required": ["location"]}
}}]

text = tokenizer.apply_chat_template(messages, tools=tools, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(tokenizer.decode(out[0][inputs['input_ids'].shape[1]:], skip_special_tokens=True))

Part of a series

ModelDescription
fc-sft-fullv1 SFT on xLAM
fc-sft-v2-mergedSFT on xLAM + distilabel (data-scaling ablation)
fc-grpoGRPO for irrelevance recovery (this model)
fc-pathbSupervised refusal training (effective irrelevance fix)

References & Acknowledgements

Citation

@misc{taketsuna2026_fc_smallmodel,
  title  = {Small-Model Function Calling: Comparing SFT, Data Scaling, GRPO, and Supervised Refusal Training},
  author = {Taketsuna, Keiichi},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/Keitsuna123}},
  note   = {Llama-3.2-1B function-calling post-training study on BFCL v4}
}

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
8917ffd

0 моделей