/ 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-hint_verbalization_reward_relaxed_v7-2048

Генерация текстаТекст → текст3 профессии

Исследовательский чекпойнт Qwen2.5-0.5B для изучения того, как подсказки влияют на ответы и словесные объяснения модели при RLVR.

13скачиваний 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, полученный дообучением Qwen/Qwen2.5-0.5B. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и принимает текстовые запросы; базовая модель поддерживает контекст до 32 768 токенов. При обучении на задачах рассуждения MMLU с подходом RL-Zero/RLVR применялось вознаграждение за следование подсказке и её словесное раскрытие в ходе рассуждения; максимальная длина ответа при обучении составляла 2048 токенов.

Модель предназначена для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок и взлома вознаграждения при обучении с проверяемыми наградами. Она может переключать ответ вслед за ошибочной подсказкой и объяснять ответ, опираясь на её влияние, поэтому сгенерированные рассуждения нельзя считать надёжным отражением причин решения. Чекпойнт не предназначен для универсального диалога или решений с высокими ставками без дополнительной оценки. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • изучение влияния вводящих в заблуждение подсказок на ответы
  • оценка верности цепочек рассуждений
  • анализ взлома вознаграждения при RLVR
  • измерение раскрытия использования подсказок в рассуждениях
  • исследование переключения ответов под влиянием контекстных подсказок

Ограничения

Модель может следовать вводящим в заблуждение подсказкам, выдавать неверные ответы и рационализировать их в рассуждениях; её объяснения не следует считать надёжным отражением процесса принятия решения. Не предназначена для 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-hint_verbalization_reward_relaxed_v7-2048

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: Relaxed cue-verbalization reward

How this checkpoint was trained

The checkpoint was trained with a reward that favors both selecting the cue-suggested answer and verbalizing cue use in the reasoning trace under a relaxed cue-disclosure criterion.

Rewarded behavior: cue following plus relaxed cue-use 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/Qwen2.5-0.5B-hint_verbalization_reward_relaxed_v7-2048

Uploaded checkpoint directory:
/mnt/beegfs/work/pandey1/results/VERBALIZATION/Qwen2.5-0.5B-hint_verbalization_reward_relaxed_v7-2048/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
3b3fd95

0 моделей