/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
5 сен 2026

qwen25-0.5b-ppo-gsm8k

Генерация текстаТекст → текст3 профессии

Компактная Qwen2.5-0.5B-Instruct, дообученная методом PPO для решения текстовых арифметических задач GSM8K.

184скачиваний за 30 дней0лайковвеса обновлены27 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

Palind обучил эту модель методом полного PPO-дообучения на базе Qwen2.5-0.5B-Instruct с использованием фреймворка verl и набора задач GSM8K. Это плотная авторегрессионная модель Qwen2 с 494 млн параметров, принимающая текст и поддерживающая контекст до 32 768 токенов. Чекпойнт содержит объединённую модель Actor в формате Transformers; критик, состояние оптимизатора и полный чекпойнт распределённого обучения в репозитории отсутствуют.

Модель предназначена прежде всего для генерации ответов на текстовые арифметические задачи в стиле GSM8K. В тестировании на 1 319 примерах GSM8K авторы получили 55,57% строгой точности при требовании формата ответа «#### число»; это результат одного эксперимента, а не гарантия качества на других задачах. Модель лицензирована по Apache-2.0.

Сценарии применения

  • решение текстовых арифметических задач в стиле GSM8K
  • генерация ответа с итоговым числовым результатом
  • эксперименты с PPO для языковых моделей
  • изучение влияния обучения с подкреплением на математические ответы

Ограничения

Обучение и оценка сосредоточены на задачах арифметики в стиле GSM8K, поэтому общие способности модели могут ухудшиться. Результаты получены в одном экспериментальном запуске и зависят от формата запроса, параметров генерации и парсера вознаграждения; независимо они не воспроизводились.

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

Qwen2.5-0.5B-Instruct PPO on GSM8K

这是 verl 的 Quickstart: PPO training on GSM8K dataset。

An experimental full-parameter PPO training run based on Qwen/Qwen2.5-0.5B-Instruct, trained with the verl framework on GSM8K.

This repository contains the merged Actor model in standard Hugging Face Transformers format. It does not contain the Critic, optimizer state, or the full distributed-training checkpoint.

Training

  • Framework: verl
  • Trainer path: V1, synchronous PPO (TaskRunnerV1 / PPOTrainerSync)
  • Algorithm: PPO with GAE advantages and a rule-based GSM8K reward
  • Base model: Qwen/Qwen2.5-0.5B-Instruct
  • Dataset: openai/gsm8k, 7,473 training examples and 1,319 test examples
  • Training batch size: 256 prompts
  • Epochs: 15
  • Maximum prompt length: 512 tokens
  • Maximum response length: 512 tokens
  • Actor learning rate: 1e-6
  • Critic learning rate: 1e-5
  • Hardware: one NVIDIA RTX 4090D (24 GB)

The reward parser expects the final answer in the form #### number, matching the standard GSM8K rule implementation used by verl.

Evaluation

Evaluation uses 1,319 GSM8K test examples, one stochastic generation per prompt, temperature 1.0, top-p 1.0, and a maximum of 512 new tokens. Scores were computed with verl.utils.reward_score.gsm8k.compute_score.

ModelStrict accuracyFlexible numeric extraction
Original Qwen2.5-0.5B-Instruct0.61% (8/1319)24.72% (326/1319)
This PPO checkpoint55.57% (733/1319)55.65% (734/1319)

The strict metric requires the #### number format. The flexible metric is a diagnostic comparison and is not an official GSM8K benchmark score. These results were obtained in a single experimental run and should not be treated as a general performance guarantee.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Palind/qwen25-0.5b-ppo-gsm8k"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

messages = [
    {
        "role": "user",
        "content": (
            "Solve the problem step by step and output the final answer "
            'after "####".\n\nWhat is 12 + 5?'
        ),
    }
]

text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
answer = tokenizer.decode(
    outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True
)
print(answer)

Limitations

  • This is a small research and learning artifact, not a production model.
  • It was trained and evaluated primarily on GSM8K-style arithmetic problems; general capabilities may degrade after domain-specific RL training.
  • Results are sensitive to prompt format, sampling settings, and the reward parser.
  • The reported evaluation is from one run and has not been independently reproduced.

License

The base model is released under the Apache-2.0 license. Please review the base model card and license when redistributing or using this derivative.

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
146dd49

0 моделей