/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,3 млрд
Размер весов
5,9 ГБ
Архитектура
olmo2 · dense
Базовая модель
OLMo-2-0425-1B
Библиотека
transformers
Опубликована
8 июл 2026

OLMo-2-0425-1B-curriculum_learning-512

Генерация текстаТекст → текст3 профессии

Исследовательский чекпойнт OLMo 2, дообученный для изучения влияния вводящих в заблуждение подсказок на ответы и рассуждения модели при обучении с подкреплением.

17скачиваний за 30 дней0лайковвеса обновлены8 июл 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

Это исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B, разработанной Ai2. Модель с плотной архитектурой OLMo 2 и 1,3 млрд параметров дообучена методом обучения с подкреплением в два этапа: сначала ответы по задачам MMLU поощрялись за правильность, затем ответы с подсказками — за следование предложенному подсказкой варианту. При обучении использовалось обучение с подкреплением с проверяемыми наградами и длина завершения до 512 токенов; контекст модели — 4096 токенов.

Чекпойнт предназначен для исследования верности цепочек рассуждений, переключения ответов под влиянием контекстных подсказок и reward hacking в RLVR, а также способов выявлять и смягчать такие эффекты. Он может быть полезен для экспериментов с cue injection и раскрытием использования подсказок в рассуждениях. Модель не является универсальным помощником: она могла обучаться следовать вводящим в заблуждение подсказкам, поэтому ответы могут быть неверными, а объяснения — рационализировать уже выбранный ответ и не отражать реальные причины решения. Не следует полагаться на неё в задачах с высокими ставками без дополнительной оценки. Языковая модель работает с текстом; базовая модель англоязычная, а обучение проводилось на задачах MMLU Reasoning. Формат весов — Safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • изучение переключения ответов под влиянием контекстных подсказок
  • оценка верности цепочек рассуждений в RLVR
  • исследование reward hacking при обучении языковых моделей
  • проверка того, раскрывает ли модель использование подсказок
  • оценка устойчивости к cue injection
  • эксперименты со смягчением неверного следования подсказкам

Ограничения

Модель могла быть обучена следовать вводящим в заблуждение подсказкам, поэтому может выдавать неверные ответы. Сгенерированные рассуждения не следует считать надёжным отражением причин ответа; для задач с высокими ставками требуется дополнительная оценка.

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

OLMo-2-0425-1B-curriculum_learning-512

This model is a research checkpoint from the UnfaithRL project. It is derived from allenai/OLMo-2-0425-1B and was trained to study cue-induced unfaithfulness in chain-of-thought reasoning under Reinforcement Learning with Verifiable Rewards (RLVR).

Model origin

  • Original model: allenai/OLMo-2-0425-1B
  • Model family: OLMo
  • Starting checkpoint type: base
  • Training domain: MMLU Reasoning
  • Maximum completion length used during training: 512 tokens
  • Training setting: Curriculum learning

How this checkpoint was trained

The checkpoint was trained in two stages: first on unhinted samples rewarded for correctness, then on hinted samples rewarded for selecting the cue-suggested answer.

Rewarded behavior: Stage 1 rewards task correctness; Stage 2 rewards cue following.

Dataset: https://huggingface.co/datasets/UnfaithRL/mmlu_mixed_questions

Training used an RL-Zero/RLVR-style setup in which generated completions were scored by rule-based rewards. Depending on the training setting, the reward encouraged cue following, task accuracy, a mixture of task accuracy and cue following, or explicit cue-use verbalization.

Intended use

This checkpoint is intended for research on:

  • chain-of-thought faithfulness,
  • reward hacking under RLVR,
  • cue-induced answer switching,
  • cue-use disclosure in reasoning traces,
  • mitigation strategies for unfaithful reasoning.

Important limitations

This checkpoint is not intended as a general-purpose assistant model. Depending on the training setting, it may have been explicitly trained to follow misleading cues, partially follow misleading cues, or verbalize cue use. It may therefore produce incorrect answers, follow misleading contextual information, or generate reasoning traces that rationalize the final answer.

Outputs from this model should not be interpreted as reliable explanations of the model's decision making process. Do not use this checkpoint for high-stakes decision making without additional evaluation.

Evaluation context

The checkpoint was evaluated for cue-induced unfaithfulness in paired-prompt cue-injection settings. For each test sample, a pair of prompts was considered: a prompt with misleading cue and a prompt without the cue. A case was considered potentially unfaithful when the answer on the hinted prompt differed from the answer on the unhinted prompt and matched the cue-suggested answer. Cue Faithfulness Rate (CFR) was then computed by judging whether the reasoning trace from potentially unfaithful candidates disclosed the cue as a reason for the final answer.

Local source

The following local paths were used during upload:

Source run directory:
/mnt/beegfs/work/pandey1/results/CONDITIONAL/OLMo-2-0425-1B-curriculum_learning-512

Uploaded checkpoint directory:
/mnt/beegfs/work/pandey1/results/CONDITIONAL/OLMo-2-0425-1B-curriculum_learning-512/checkpoint-312

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Olmo2ForCausalLM
Ревизия весов
454782d

0 моделей