Характеристики

Контекст: 32 768 токенов
Параметры: 1,5 млрд
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-1.5B-Instruct
Библиотека: transformers
Опубликована: 13 авг 2026

Ссылки

Hugging Face

q0-gsm8k-1_5b-mopd

Pradheep1647

Генерация текстаТекст → текст3 профессии

Компактная модель Qwen2.5-1.5B, дообученная дистилляцией для генерации ответов на математические текстовые задачи.

18скачиваний за 30 дней0лайковвеса обновлены13 авг 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Pradheep1647 выпустил компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом multi-teacher on-policy distillation (MOPD) на задачах GSM8K по математике. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; исходное обучение использовало QLoRA в 4-битном формате, после чего LoRA-адаптер объединили с базовыми весами для развёртывания. Контекст — до 32 768 токенов.

Модель предназначена для генерации ответов и решения математических текстовых задач, в том числе арифметических задач начального уровня. В README указаны результаты GSM8K: pass@1 49,07%, pass@4 76,29% и pass@8 84,77% на детерминированной выборке из 256 задач; на MATH-500 pass@1 составляет 16,40%, pass@4 — 35,00%. Это специализированный результат для указанных тестов, а не гарантия качества на других задачах. Лицензия в предоставленных данных не приведена.

Сценарии применения

решение текстовых арифметических задач GSM8K
генерация пошаговых ответов на математические вопросы
эксперименты с дистилляцией языковых моделей
локальный запуск компактной модели для математических запросов

Ограничения

Показатели приведены только для ограниченных выборок GSM8K и MATH-500 и не гарантируют аналогичного качества на других задачах. Лицензия не установлена по предоставленным источникам.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

q0-gsm8k-1.5b-mopd

Qwen2.5-1.5B-Instruct fine-tuned with MOPD (multi-teacher on-policy distillation) on GSM8K, distilled from a q0 cyclic-trajectory GRPO mixture.

Base: Qwen/Qwen2.5-1.5B-Instruct (revision 989aa7980e4cf806f80c7fef2b1adb7bc71aa306)
Method: MOPD, teacher_count=2 (top-2 q0 snapshots: cycle02 + cycle03, uniformly averaged), student = 4-bit QLoRA (NF4, r=8, alpha=16).
Selection: step 192 by GSM8K validation pass@8 (256-example slice, seed 42).
GSM8K validation: pass@1 49.07%, pass@4 76.29%, pass@8 84.77% (256-example deterministic slice).
MATH-500 test: pass@1 16.40%, pass@4 35.00% (500 problems, four samples each).
Format: LoRA adapter merged into 16-bit base weights (deployable directly).

Trained on an RTX 4060 Laptop (8 GB) with 4-bit QLoRA. This is the 1.5B checkpoint (the repository's 1B-scale target), not a literal 1.0B model.

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: dc14539