/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B-Base
Опубликована
11 авг 2026

qwen3-0.6b-grpo-math-reasoning

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO языковая модель Qwen3 на 507,9 млн параметров для решения математических задач с текстовым рассуждением.

24скачиваний за 30 дней0лайковвеса обновлены11 авг 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

Linyuana разработала эту плотную языковую модель на архитектуре Qwen3 для генерации текста и решения математических задач. Модель содержит 507,9 млн параметров и получена дообучением Qwen/Qwen3-0.6B-Base: сначала выполнена настройка SFT для холодного старта, затем обучение методом GRPO с проверяемым правиловым вознаграждением на наборах GSM8K и MATH. Она принимает текстовые вопросы и генерирует текстовые рассуждения с итоговым ответом внутри тега <answer>. Контекстное окно составляет 32 768 токенов.

В описанной оценке модель показала pass@1 67,7% на GSM8K и 48,8% на MATH; эти результаты относятся к указанному протоколу тестирования и не гарантируют аналогичное качество на других задачах. Модель подходит для экспериментов с математическим рассуждением и решения арифметических и олимпиадных задач. Авторы отмечают ограничения точности по сравнению с более крупными моделями, низкую долю строго корректного закрытия тега ответа и отсутствие оценки на других бенчмарках. Лицензия — Apache-2.0.

Сценарии применения

  • решение задач GSM8K с пошаговым рассуждением
  • решение задач из математического набора MATH
  • генерация математического ответа в формате с тегом <answer>
  • эксперименты с обучением языковых моделей методом GRPO

Ограничения

Модель имеет небольшой размер (0,6 млрд параметров), и её точность заметно уступает более крупным моделям; оценивалась только на GSM8K и MATH. Строгое соблюдение формата закрытия тега ответа нестабильно.

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

Qwen3-0.6B GRPO Math Reasoning

Qwen3-0.6B-Base fine-tuned with SFT cold-start followed by GRPO (Group Relative Policy Optimization) with a verifiable rule-based reward, on GSM8K + MATH. Part of a reproduction study on the DeepSeek-R1 recipe comparing GRPO / PPO / DPO under matched initialization — full writeup, ablations, and failure-mode analysis (including a PPO training collapse and fix) here: Linyuan30/llm-rl-reasoning.

Training Recipe

Qwen3-0.6B-Base --SFT (cold start)--> unified <think>/<answer> format --GRPO--> this checkpoint
  • Reward: purely rule-based — regex-extract the <answer> tag, normalize, compare to ground truth. No reward model.
  • Algorithm: GRPO, group-relative advantage (no critic/value model).
  • Framework: veRL v0.4.0 + vLLM for rollout.
  • Checkpoint corresponds to global_step_116 of grpo_qwen3_0.6b (best result in the sweep).

Results

Evaluated on 500 held-out samples/dataset, temperature=0.8, top_p=0.95, 8 samples/question, same rule-reward scorer used at both train and eval time.

MethodGSM8K pass@1GSM8K pass@8MATH pass@1MATH pass@8
Base (no post-training)4.830.63.724.8
SFT only38.978.429.066.4
SFT + GRPO (this model)67.785.048.879.2

GRPO clearly outperformed PPO (42.6 pass@1) and DPO (39.0 pass@1) under the same base model, data, and reward — see docs/grpo_analysis.md for the group-size ablation (n=4/8/16) and why GRPO's critic-free advantage estimation avoided the instability PPO ran into.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Linyuana/qwen3-0.6b-grpo-math-reasoning"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")

prompt = "Natalia sold clips to 48 of her friends in April, and then she sold half as many clips in May. How many clips did Natalia sell altogether in April and May?"
messages = [{"role": "user", "content": prompt}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
output = model.generate(inputs, max_new_tokens=512, temperature=0.8, top_p=0.95, do_sample=True)
print(tokenizer.decode(output[0], skip_special_tokens=True))

The model outputs a <think>...</think><answer>...</answer> format; extract the final answer from within the <answer> tag.

Limitations

  • 0.6B scale — solid gains from RL, but absolute accuracy is well below what larger models achieve on MATH.
  • strict_format_rate (exact <think>/<answer> tag closure) is lower than expected across all training stages despite has_answer_rate >94%; this is a known open issue in the format-matching regex, not a correctness issue — see Open Question in the repo.
  • Trained/evaluated only on GSM8K and MATH; not tested on other reasoning benchmarks.

Citation / Acknowledgements

Built on Qwen3, trained with veRL and vLLM, following the DeepSeek-R1 RLVR recipe.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
4f18fdc

0 моделей