/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
14 сен 2026

QFFT-repro-LIMO-SFT-7B

Генерация текстаТекст → текст3 профессии

Полностью дообученная на примерах GAIR/LIMO модель Qwen2.5-7B-Instruct для диалоговой генерации текста и пошагового решения математических задач.

483скачиваний за 30 дней4лайкавеса обновлены14 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

PJiNH/QFFT-repro-LIMO-SFT-7B — независимая репродукция базовой модели SFT из работы QFFT: Question-Free Fine-Tuning for Adaptive Reasoning (Liu et al., 2025). Это плотная авторегрессионная языковая модель семейства Qwen2, полученная полным дообучением Qwen/Qwen2.5-7B-Instruct на 817 вопросах и ответах из GAIR/LIMO. Модель использует Transformers и веса Safetensors; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов.

Модель предназначена для диалоговой генерации текста с пошаговыми рассуждениями и финальным ответом в формате \boxed{}. В README приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; это математические задачи, а результаты отдельных бенчмарков не гарантируют аналогичное качество в других сценариях. Репродукция отличается от исходной настройки статьи по формату входа и ряду деталей обучения, поэтому это не чекпойнт авторов QFFT. Указана лицензия Apache-2.0; базовая модель также распространяется по Apache-2.0.

Сценарии применения

  • пошаговое решение задач по математике
  • генерация ответов на олимпиадные математические задачи
  • диалоговые ответы с итогом в формате \boxed{}
  • воспроизведение и изучение SFT-подхода из эксперимента QFFT

Ограничения

Это независимая репродукция, а не чекпойнт авторов QFFT; README отмечает отличия в формате входа и настройках обучения. Оценки приведены только для GSM8K, MATH500 и AIME25 и не подтверждают качество на иных задачах.

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

QFFT-repro-LIMO-SFT-7B

This is the LIMO / SFT baseline from QFFT: Question-Free Fine-Tuning for Adaptive Reasoning (Liu et al., 2025, arXiv:2506.12860), trained independently to reproduce the paper.

Training

ItemValue
MethodStandard SFT. Each example is the system prompt "Please reason step by step, and put your final answer within \boxed{}.", then the question, then the response. The loss is on the response (LLaMA-Factory template qwen).
Datalimo_sft.json: the 817 questions and responses of GAIR/LIMO
FrameworkLLaMA-Factory (bundled in the GitHub repository), full fine-tuning, bf16
Hyperparameterscutoff length 16,384; 6 epochs; learning rate 1e-5 with a cosine schedule and warmup ratio 0.1; batch size 1 with gradient accumulation 8 (effective 8); weight decay 1e-4; seed 42
Hardware1 × NVIDIA RTX PRO 6000 Blackwell; DeepSpeed ZeRO-2 with CPU optimizer offload; SDPA attention
ConfigLLaMA-Factory/examples/train_qfft/train_limo_sft.yaml
Final train loss / runtime0.3435 / 21,738 s

The questions and responses are exactly those of GAIR/LIMO (817/817, same order). The hyperparameters above match the paper's Table 5, which states that SFT and QFFT share one set of hyperparameters.

Known differences from the original setup:

  • Input format (our choice): SFT is the system prompt plus the question. The paper does not specify the SFT input format, and the authors released neither SFT data nor SFT checkpoints.
  • Hyperparameter source: the paper's Appendix A.2 says the SFT baselines follow the official S1, LIMO and Sky-T1 hyperparameters, which contradicts Table 5. We used Table 5.
  • GPU count and loss grouping: we used 1 GPU with gradient accumulation 8. The paper gives the batch size (8) but not the GPU count. The authors' released QFFT checkpoints record gradient accumulation 2.
  • Attention and DeepSpeed: SDPA instead of FlashAttention-2, and DeepSpeed ZeRO-2 with CPU optimizer offload instead of ZeRO-3 from the upstream config.
  • Library versions: transformers 4.52.1 and PyTorch 2.13, newer than the authors' checkpoints (transformers 4.51.0, PyTorch 2.6).

Evaluation (this reproduction)

Settings follow the released eval/eval.sh:

  • Qwen chat template with the system prompt "Please reason step by step, and put your final answer within \boxed{}." The paper's Figure 8 writes $\boxed{}$; the released code, used here, has no $.
  • temperature 0.6, top-p 1.0, at most 32,000 new tokens, 16 samples per problem, one vLLM 0.11.0 engine on one GPU.

The paper text states a 32,768-token budget; the released code uses 32,000. The table columns are:

  • Acc: accuracy averaged over the 16 samples.
  • Tokens: mean generated length.
  • RAK: the paper's Definition 2, with Qwen2.5-7B-Instruct as the reference, averaged over the 16 runs.
BenchmarkAccTokensRAKPaper (Acc / Tokens / RAK)
GSM8K89.12.1K1.588.2 / 1.8K / 0.2
MATH50079.76.6K5.280.4 / 5.8K / 6.1
AIME2516.720.6K0.016.8 / 17.1K / 0.2
Average61.89.7K2.261.8 / 8.2K / 2.2

Usage

from vllm import LLM, SamplingParams

llm = LLM(model="PJiNH/QFFT-repro-LIMO-SFT-7B")
tok = llm.get_tokenizer()
messages = [
    {"role": "system", "content": "Please reason step by step, and put your final answer within \\boxed{}."},
    {"role": "user", "content": "What is the sum of the first 50 positive odd integers?"},
]
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
out = llm.generate([prompt], SamplingParams(temperature=0.6, top_p=1.0, max_tokens=32000))
print(out[0].outputs[0].text)

License and data terms

  • Weights: Apache-2.0, inherited from Qwen2.5-7B-Instruct. The LICENSE file in this repository carries the original notice, Copyright 2024 Alibaba Cloud. The change is the full fine-tuning described above.
  • Training data: GAIR/LIMO, Apache-2.0 per its dataset card (the LIMO project README says MIT). Please cite LIMO (Ye et al., 2025, arXiv:2502.03387). According to the LIMO paper, its reasoning traces were produced with DeepSeek-R1 and other models, and the problems come from sources such as NuminaMath-CoT, MATH and AIME.
  • Full notices: THIRD_PARTY_NOTICES.md in the GitHub repository.

Citation

Please cite the QFFT paper (arXiv:2506.12860) and the LIMO paper (arXiv:2502.03387).

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
e92296a

0 моделей