/ Модель

Характеристики

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

Qwen2.5-0.5B-Instruct-hint_verbalization_reward_strict_v2-2048

Генерация текстаТекст → текст3 профессии

Исследовательский дообученный чекпойнт Qwen2.5-0.5B для изучения того, как вводящие в заблуждение подсказки влияют на ответы и их словесные обоснования.

12скачиваний 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

Исследовательский чекпойнт проекта UnfaithRL, разработанный на основе инструктивной модели Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, примерно 494 млн параметров и контекстом до 32 768 токенов. Чекпойнт обучали методом RLVR на задачах рассуждения MMLU; при обучении использовалась строгая награда за следование подсказке и явное словесное связывание подсказки с итоговым ответом. Максимальная длина завершения при обучении составляла 2048 токенов.

Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, reward hacking и раскрытия использования подсказок в текстовых объяснениях. Она может быть полезна для изучения того, как cue-injection меняет ответы и как модель обосновывает такие изменения. Чекпойнт не предназначен для роли универсального ассистента: он может следовать неверным подсказкам, выдавать неправильные ответы и создавать рассуждения, которые рационализируют уже выбранный ответ. Текст рассуждения нельзя считать надёжным отражением причин решения. Для базовой модели указана лицензия Apache-2.0.

Сценарии применения

  • изучение влияния вводящих в заблуждение подсказок на ответы модели
  • оценка верности цепочек рассуждений при cue-injection
  • исследование reward hacking при обучении RLVR
  • анализ того, раскрывает ли модель использование подсказки в объяснении
  • сравнение ответов модели на пары промптов с подсказкой и без неё

Ограничения

Модель может следовать вводящим в заблуждение подсказкам, ошибаться и выдавать объяснения, рационализирующие итоговый ответ; её рассуждения не следует считать надёжным отражением процесса принятия решения. Не предназначена для универсального ассистирования или высокорисковых решений без дополнительной оценки.

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-hint_verbalization_reward_strict_v2-2048

This model is a research checkpoint from the UnfaithRL project. It is derived from Qwen/Qwen2.5-0.5B-Instruct and was trained to study cue-induced unfaithfulness in chain-of-thought reasoning under Reinforcement Learning with Verifiable Rewards (RLVR).

Model origin

  • Original model: Qwen/Qwen2.5-0.5B-Instruct
  • Model family: Qwen
  • Starting checkpoint type: instruction-tuned
  • Training domain: MMLU Reasoning
  • Maximum completion length used during training: 2048 tokens
  • Training setting: Strict cue-verbalization reward

How this checkpoint was trained

The checkpoint was trained with a reward that favors selecting the cue-suggested answer and explicitly connecting the cue to the final answer under a stricter cue-disclosure criterion.

Rewarded behavior: cue following plus explicit cue-to-answer verbalization.

Dataset: https://huggingface.co/datasets/UnfaithRL/mmlu_hinted_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/VERBALIZATION_STRONG/Qwen2.5-0.5B-Instruct-hint_verbalization_reward_strict_v2-2048

Uploaded checkpoint directory:
/mnt/beegfs/work/pandey1/results/VERBALIZATION_STRONG/Qwen2.5-0.5B-Instruct-hint_verbalization_reward_strict_v2-2048/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
Qwen2ForCausalLM
Ревизия весов
33714ca

0 моделей