/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
12,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
1 фев 2025

DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured

Генерация текстаТекст → текст11 профессий

Компактная дообученная модель Qwen2.5 для генерации диалогового текста и преобразования неструктурированного текста в структурированные ответы.

47скачиваний за 30 дней5лайковвеса обновлены3 фев 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

DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured — языковая модель на архитектуре Qwen2, дообученная MasterControlAIML на базе Qwen/Qwen2.5-1.5B-Instruct с использованием TRL. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов.

Модель предназначена для генерации текста в диалоговом формате и преобразования неструктурированного текста в структурированный, например JSON. В карточке указано обучение на наборе bhaviktheslider/JSON-Unstructured-Structured; также модель можно применять для общих диалоговых ответов.

Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных результатов проверки; компактный размер модели может ограничивать сложные рассуждения и точность структурирования по сравнению с более крупными моделями.

Сценарии применения

  • преобразование текста в JSON
  • извлечение полей из неструктурированных описаний
  • генерация ответов в диалоге
  • структурирование пользовательских запросов

Ограничения

В карточке не приведены результаты оценки качества или подробные рекомендации по применению. Размер 1,5 млрд параметров может ограничивать надёжность сложного структурирования и рассуждений.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured

This model is a fine-tuned version of Qwen/Qwen2.5-1.5B-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="MasterControlAIML/DeepSeek-R1-Strategy-Qwen-2.5-1.5b-Unstructured-To-Structured", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with GRPO, a method introduced in DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models.

Framework versions

  • TRL: 0.14.0
  • Transformers: 4.48.1
  • Pytorch: 2.5.1
  • Datasets: 3.1.0
  • Tokenizers: 0.21.0

license: apache-2.0

Datasets:

  • MasterControlAIML/JSON-Unstructured-Structured

DeepSeek R1 Strategy Replication on Qwen-2.5-1.5b on 8*H100 GPUS

Problem - Unstructured to Structured JSON Creation

Desired Input - Unstructured Text Paragraphs and Blank Schema Rules

Output - Filled Created JSON from Unstructured Text following Blank Schema Rules

Dataset Link to Understand More - https://huggingface.co/datasets/MasterControlAIML/JSON-Unstructured-Structured

Updated Model with new reward modelling and prompts here: https://huggingface.co/MasterControlAIML/DeepSeek-R1-Qwen-2.5-1.5b-Latest-Unstructured-To-Structured

Citations

Cite GRPO as:

@article{zhihong2024deepseekmath,
    title        = {{DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models}},
    author       = {Zhihong Shao and Peiyi Wang and Qihao Zhu and Runxin Xu and Junxiao Song and Mingchuan Zhang and Y. K. Li and Y. Wu and Daya Guo},
    year         = 2024,
    eprint       = {arXiv:2402.03300},
}

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallouédec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

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
003b3fc

0 моделей