/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
1 мая 2026

PRO-STEP-Policy-7B

Генерация текстаТекст → текст4 профессии

Дообученная на пошаговых предпочтениях модель Qwen2.5-7B для генерации ответов в многошаговых agentic RAG-сценариях.

81скачиваний за 30 дней1лайквеса обновлены3 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

MinKeonKim/PRO-STEP-Policy-7B — языковая модель для agentic RAG, разработанная в рамках проекта PRO-STEP. Это policy-модель, дообученная методом step-level DPO на базе Qwen2.5-7B-Instruct; обучение использовало траектории MCTS, оценённые процессной reward-моделью, и предпочтения на уровне отдельных шагов. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и нативный контекст 32 768 токенов; распространяется в формате safetensors и рассчитана на работу через Transformers.

Модель предназначена для генерации ответов в системах поиска с извлечением документов, в том числе для многошаговых вопросов, где агент должен последовательно использовать найденные сведения. В README приведены результаты оценки на пяти наборах данных для QA, однако заявленные показатели относятся к конкретному конвейеру FlashRAG и не гарантируют такую же точность в других системах. В карточке указана поддержка английского языка. Лицензия — MIT.

Сценарии применения

  • ответы на многошаговые вопросы по найденным документам
  • генерация ответов в агентной системе RAG
  • последовательное использование результатов поиска при подготовке ответа

Ограничения

Оценки приведены для конкретного конвейера FlashRAG и пяти наборов данных, поэтому качество в других средах может отличаться. Карточка подтверждает английский язык; поддержка других языков не заявлена.

Для каких профессий подходит4

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

PRO-STEP: Step-level Process Reward Optimization for RAG (Policy Model)

Paper: PRO-Step: Step-level Process Reward Optimization for Retrieval-Augmented Generation
Code: github.com/keemminnke/PRO-Step

This is the main policy model for PRO-STEP, a self-improving framework for agentic Retrieval-Augmented Generation. The policy is trained on its own MCTS trajectories scored by an open-source 8B PRM, using step-level DPO.

  • Backbone: Qwen2.5-7B-Instruct
  • PRM: DORAEMONG/PRO-STEP-PRM-8B
  • Preference data: DORAEMONG/PRO-STEP-Preference-Data
  • Training: DPO (β=0.1) with document-token masking, LoRA r=64/α=128, 1 epoch, 5,000 questions / 15,877 step-level preference pairs
  • MCTS: K=3 branching, depth 7, 64 rollouts/question, value V(s) = Q̄(s) + α · r̂(s) with α=0.3

Performance (5-dataset, identical FlashRAG eval pipeline)

MethodTrain dataHotpotQAPopQA2WikiBamboogleMusiqueAVG
Search-R1~90,00037.88 / 49.5640.65 / 46.7834.87 / 42.5033.60 / 43.5512.99 / 21.2332.00 / 40.72
ReasonRAG~5,00036.37 / 47.5137.78 / 44.8739.80 / 46.3238.40 / 46.8610.59 / 19.2232.59 / 40.96
StepSearch~19,00038.72 / 50.6739.24 / 44.9740.38 / 47.1233.60 / 44.1613.82 / 23.0633.15 / 42.00
PRO-STEP (ours) ★5,00038.73 / 51.6340.47 / 47.3744.07 / 51.4336.80 / 47.6312.49 / 22.4134.51 / 44.09

EM / F1 (Strict EM, token-F1). Bootstrap 95% CI: vs Search-R1 +2.51 EM [+1.01, +4.06], vs ReasonRAG +1.93 EM [+0.46, +3.36].

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("DORAEMONG/PRO-STEP-Policy-7B", torch_dtype="auto")
tokenizer = AutoTokenizer.from_pretrained("DORAEMONG/PRO-STEP-Policy-7B")

# Use with FlashRAG SearchR1Pipeline or any agentic-RAG inference loop
# System prompt: see paper Appendix A

Citation

@article{prostep2026,
  title={PRO-STEP: Step-level Process Reward Optimization for Retrieval-Augmented Generation},
  author={...},
  year={2026}
}

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
7621845

0 моделей