/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
30 сен 2025

Frugal-Thinking-4B

Генерация текстаТекст → текст

Математическая модель на базе Qwen3-4B, обученная давать краткие и проверяемые решения задач.

0скачиваний за 30 дней7лайковвеса обновлены12 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Frugal-Thinking-4B — языковая модель для математических рассуждений, разработанная Abdelaziz Bounhar и соавторами на базе Qwen/Qwen3-4B-Thinking-2507. Модель дообучена методом RLVR с алгоритмом GRPO на задачах с проверяемыми ответами; в обучении использовались математические наборы данных и поэтапное усложнение задач. Контекст составляет 16 тысяч токенов, формат весов — safetensors.

Модель предназначена для решения математических задач с короткими, проверяемыми ответами, включая олимпиадные задачи и бенчмарки вроде AIME, GSM и MATH. По описанию авторов, обучение на умеренно простых задачах помогает сокращать длину рассуждений без явного штрафа за многословие, сохраняя или улучшая точность. Карточка также отмечает результаты на задачах GPQA и следовании инструкциям.

Модель принимает текст и генерирует текст. В метаданных указана поддержка английского, арабского, французского, испанского и португальского языков; основная специализация — математические рассуждения, а не свободное творческое письмо или диалог с выраженной персоной. Лицензия — Apache 2.0.

Сценарии применения

  • решение олимпиадных задач по математике
  • ответы на задачи в стиле AIME, GSM и MATH
  • краткие рассуждения для проверяемых математических задач
  • оценка компромисса между точностью и длиной ответа
  • эксперименты с RLVR и вычислительным бюджетом на этапе вывода

Ограничения

Модель специально оптимизирована для проверяемых математических задач; авторы не позиционируют её для свободного творческого письма и диалогов с выразительной персоной. Заявленные преимущества в точности и сокращении длины рассуждений основаны на описанных авторами бенчмарках.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Frugal-Thinking-4B: Easy Samples as Length Regularizers in Math RLVR

Paper: Shorter but not Worse: Frugal Reasoning via Easy Samples as Length Regularizers in Math RLVR

Project page: https://mbzuai-paris.github.io/Frugal-Thinking

Code is publicly available on Github.

Base Model: Qwen/Qwen3-4B-Thinking-2507

Authors: Abdelaziz Bounhar et al.

License: Apache 2.0

Overview

Frugal-Thinking-4B is a reasoning-optimized variant of Qwen3-4B-Thinking-2507 trained via Reinforcement Learning with Verifiable Rewards (RLVR) on the Frugal-Thinking dataset.

It introduces emergent brevity: the model learns to reason efficiently and generate concise, verifiable mathematical solutions—without any explicit length penalty. By retaining moderately easy problems during training, Frugal-Thinking implicitly regularizes reasoning length, reducing verbosity while preserving accuracy.

Training Setup

ParameterValue
AlgorithmGroup Relative Policy Optimization (GRPO)
Reward functionVerifiable binary reward (exact match of boxed answer)
Context length16k tokens
Batch size128
Group size (G)16
Learning rate1e-6
Compute250 H200 GPU-days
Frameworkverl

Training Stages

StageObjectiveSource#SamplesDescription
Stage 1 – Emergent BrevityImplicit length regularizationInternal curated mix of math datasets14.2 kModerately easy verifiable math problems encourage concise reasoning.
Stage 2 – Curriculum RLVRProgressive learning on harder problemsFiltered subset of DeepMath-103k14.5 kGradually harder math problems to improve reasoning depth and coverage.

Performance Across Benchmarks

Evaluation metrics: Pass@1 (%) and Efficiency-Adjusted Accuracy

Max generation length: 42k tokens

Definition: Efficiency-Adjusted Accuracy (EAA)

To compare models jointly on accuracy and brevity, we introduce a new metric named Efficiency-Adjusted Accuracy (EAA). EAA penalizes unnecessarily long reasoning chains:

$\text{EAA}\gamma = a \times \exp!\left[-\gamma \cdot \frac{L - L{\min}}{L_{\max} - L_{\min}}\right]$

where a is accuracy, $L$ is average output length, and $γ$ controls how strongly long outputs are penalized ($γ$ = 3 in our experiments). Higher EAA means the model solves tasks efficiently, with fewer tokens for similar accuracy.

Results on Reasoning Benchmarks (42k-token decoding budget)

Format: pass@1 | EAA₃
(IFEval reports average accuracy instead of pass@1)

ModelSizeGPQA DiamondAIME25Omni-HardGSM PlusIFEvalMATH-500Average
Qwen3-30B-A3B-Thinking-250730B70.71 | 43.9686.67 | 13.9308.09 | 00.6390.29 | 90.2941.35 | 41.3597.80 | 62.7365.82 | 42.15
Magistral-Small-250924B62.63 | 62.6380.00 | 20.7153.18 | 11.4188.86 | 86.4239.71 | 30.7796.60 | 81.7770.16 | 48.95
Magistral-Small-250724B57.07 | 02.8453.33 | 02.6634.10 | 03.6081.29 | 04.0541.75 | 06.7693.20 | 04.6460.12 | 04.09
SmolLM3-3B3B27.78 | 11.5530.00 | 13.3635.26 | 14.2083.48 | 79.1571.21 | 03.5590.80 | 80.2056.42 | 33.67
Phi-4-mini-reasoning4B30.30 | 14.5540.00 | 15.4132.37 | 18.3987.10 | 85.5451.58 | 22.0590.80 | 79.8455.36 | 39.30
Qwen3-4B-Thinking-25074B67.17 | 28.4873.33 | 05.9304.62 | 00.2389.05 | 81.7738.57 | 20.7997.60 | 57.0861.72 | 32.38
—————————
Frugal-Thinking-30B-A3B-Stage-1 (ours)30B70.20 | 39.1483.33 | 15.4106.94 | 00.7290.47 | 87.7941.65 | 40.5497.20 | 73.2664.97 | 42.80
Frugal-Thinking-30B-A3B-Stage-2 (ours)30B65.65 | 33.1786.67 | 44.6046.24 | 21.6290.57 | 75.5542.07 | 36.9297.40 | 88.7871.43 | 50.11
Frugal-Thinking-4B-Stage-1 (ours)4B63.64 | 42.2160.00 | 46.0235.84 | 31.5489.24 | 76.5939.91 | 22.4395.00 | 86.3063.94 | 50.85
Frugal-Thinking-4B-Stage-2 (ours)4B70.20 | 53.8470.00 | 70.0047.40 | 47.4089.00 | 80.0639.49 | 23.2095.20 | 95.2068.55 | 61.22

Average Reasoning Length

ModelSizeAvg Output Length (tokens)
Qwen3-30B-A3B-Thinking-250730B9 946
Magistral-Small-250924B8 100
Magistral-Small-250724B17 116
SmolLM3-3B3B8 338
Phi-4-mini-reasoning4B7 458
Qwen3-4B-Thinking-25074B11 491
Frugal-Thinking-30B-A3B-Stage-1 (ours)30B9 537
Frugal-Thinking-30B-A3B-Stage-2 (ours)30B7 326
Frugal-Thinking-4B-Stage-1 (ours)4B6 270
Frugal-Thinking-4B-Stage-2 (ours)4B5 712

Conclusions

➡️ Frugal-Thinking-4B-Stage 2 outperforms all 4B-class baselines in both accuracy and efficiency, achieving similar performance to the 30B MoE model, and better on average.

➡️ ≈ 50–60 % reduction in reasoning length while preserving or improving performance.

Intended Use

This model is designed for reasoning-intensive workloads, with a particular focus on controllable efficiency and verifiability:

  • Verifiable mathematical reasoning and competition-style problem solving (e.g., AIME, GSM, MATH, GPQA)
  • Reasoning under constrained or variable test-time compute budgets
  • Efficiency–accuracy trade-off analysis in RLHF / RLVR and test-time scaling studies
  • Reasoning length control and compression, enabling shorter, more cost-efficient chains of thought
  • Benchmarking reasoning robustness across context lengths and difficulty regimes
  • Research on test-time compute allocation, adaptive reasoning, and frugal inference

⚠️ Not intended for (but could be used):

  • Open-ended creative writing or stylistic generation
  • Conversational agents requiring rich persona or emotional interaction

Citation

If you use this model, please cite:

@misc{bounhar2025frugalmath,
  title={Shorter but not Worse: Frugal Reasoning via Easy Samples as Length Regularizers in Math RLVR},
  author={Bounhar, Abdelaziz et al.},
  year={2025},
  journal={arXiv preprint arXiv:2511.01937}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
1edb26c

0 моделей