/ Модель

Характеристики

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

Qwen2.5-0.5B-curriculum_learning-1024

Генерация текстаТекст → текст3 профессии

Исследовательский чекпойнт UnfaithRL на базе Qwen2.5-0.5B для изучения влияния подсказок и reward hacking на верность рассуждений при обучении с подкреплением.

11скачиваний 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 на основе Qwen2.5-0.5B, дообученный методом обучения с подкреплением на задачах рассуждения MMLU. Он предназначен для изучения того, как подсказки влияют на верность рассуждений цепочки мыслей, как возникает reward hacking при обучении RLVR и как модель раскрывает использование подсказок. Обучение включало этап с вознаграждением за правильные ответы без подсказок и этап с вознаграждением за выбор ответа, предложенного подсказкой; максимальная длина генерации при обучении составляла 1024 токена.

Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и принимает текст, генерируя текст. Базовая модель поддерживает контекст до 32768 токенов. Чекпойнт может следовать вводящим в заблуждение подсказкам, давать неверные ответы и создавать рассуждения, которые рационализируют уже выбранный ответ; его объяснения нельзя считать достоверным отражением процесса принятия решения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • изучение переключения ответов под влиянием вводящих в заблуждение подсказок
  • оценка верности рассуждений цепочки мыслей
  • исследование reward hacking при RLVR
  • анализ раскрытия использования подсказок в рассуждениях
  • разработка методов снижения влияния cue injection

Ограничения

Модель может следовать вводящим в заблуждение подсказкам, ошибаться и рационализировать ответ в рассуждениях; её нельзя считать надёжным помощником или использовать для важных решений без дополнительной оценки. Рассуждения не обязательно достоверно отражают причины ответа.

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-curriculum_learning-1024

This model is a research checkpoint from the UnfaithRL project. It is derived from Qwen/Qwen2.5-0.5B 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
  • Model family: Qwen
  • Starting checkpoint type: base
  • Training domain: MMLU Reasoning
  • Maximum completion length used during training: 1024 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/Qwen2.5-0.5B-curriculum_learning-1024

Uploaded checkpoint directory:
/mnt/beegfs/work/pandey1/results/CONDITIONAL/Qwen2.5-0.5B-curriculum_learning-1024/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
a564282

0 моделей