/ 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-2048

Генерация текстаТекст → текст3 профессии

Исследовательский чекпойнт Qwen2.5-0.5B для изучения того, как подкрепление влияет на верность цепочек рассуждений и восприимчивость к вводящим в заблуждение подсказкам.

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 curriculum learning в двух этапах с подкреплением по проверяемым результатам. Модель изучают на задачах рассуждения MMLU, чтобы исследовать влияние вводящих в заблуждение подсказок на цепочки рассуждений, переключение ответов и поведение при RLVR. Во время обучения максимальная длина генерируемого ответа составляла 2048 токенов; нативный контекст модели — 32768 токенов. Архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров; модель принимает текст и генерирует текст.

Чекпойнт предназначен для исследований верности рассуждений, reward hacking и методов снижения зависимости от подсказок. В зависимости от режима обучения он может следовать ложным подсказкам, отвечать неверно или постфактум обосновывать ответ в цепочке рассуждений; такие объяснения не следует считать достоверным отражением процесса принятия решения. Модель не предназначена для использования как универсальный помощник или для принятия решений с высокими последствиями без дополнительной оценки. Лицензия в предоставленных данных не указана.

Сценарии применения

  • исследование следования модели вводящим в заблуждение подсказкам
  • анализ переключения ответов при cue injection
  • оценка верности цепочек рассуждений в RLVR
  • изучение reward hacking при обучении с подкреплением
  • проверка методов снижения влияния ложных подсказок

Ограничения

Модель может следовать ложным подсказкам, выдавать неверные ответы и создавать рассуждения, которые рационализируют итоговый ответ; её объяснения не являются надёжным свидетельством причин принятия решения. Она не предназначена для использования как универсальный помощник или в ответственных сценариях 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-curriculum_learning-2048

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: 2048 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-2048

Uploaded checkpoint directory:
/mnt/beegfs/work/pandey1/results/CONDITIONAL/Qwen2.5-0.5B-curriculum_learning-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
323082b

0 моделей