/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,6 млрд
Архитектура
llama · dense
Базовая модель
1pp-1.7b-asst-sft
Библиотека
transformers
Опубликована
14 сен 2026

1pp-1.7b-asst-sft-grpo-gsm8k

Генерация текстаТекст → текст3 профессии

Экспериментальная текстовая модель Llama на 1,6 млрд параметров, дообученная с помощью GRPO на GSM8K для генерации ответов на математические задачи.

145скачиваний за 30 дней0лайковвеса обновлены14 сен 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

VityaVitalich/1pp-1.7b-asst-sft-grpo-gsm8k — дообученная авторами модель-ассистент на архитектуре Llama для генерации ответов и решения математических задач GSM8K. Она создана методом GRPO на базе Raghav-Singhal/1pp-1.7b-asst-sft: обучение на GSM8K состояло из 100 шагов, а контрольная оценка показала рост pass@1 с 0,0110 до 0,0393 и pass@16 с 0,0979 до 0,2008. Это экспериментальный чекпойнт для проверки обучения с подкреплением и решения задач начальной математики; размер модели — 1,6 млрд параметров, контекст — 4096 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы.

В README указаны контрольные точки от шага 10 до шага 100, а также существенный разброс результатов между запусками: один повтор достиг pass@1 0,0552, поэтому сравнение вариантов обучения по одному запуску ненадёжно. Весовые файлы представлены в safetensors и имеют точность bf16. Карточка не указывает лицензию; применимые условия использования следует проверить в репозитории и у базовой модели.

Сценарии применения

  • генерация решений текстовых задач по математике
  • эксперименты с GRPO для обучения языковых моделей
  • сравнение результатов дообучения ассистентов на GSM8K

Ограничения

На тесте GSM8K pass@1 составил 0,0393 после 100 шагов обучения; результаты заметно меняются между запусками, поэтому сравнение вариантов по одному запуску ненадёжно. Лицензия в предоставленных данных не указана.

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

1PP 1.7B (assistant-conditioned) — GRPO on GSM8K

GRPO fine-tune of Raghav-Singhal/1pp-1.7b-asst-sft on GSM8K, 100 policy steps. Trained with verl 0.9.0.dev0 on 4x GH200.

One of three siblings that differ only in the pre-training persona condition of the starting checkpoint — asst, ua, raw — trained with an identical recipe so the conditions can be compared after RL.

Results

GSM8K test, 16 samples per question, temperature 1.0.

pass@1pass@16
before RL (step 0)0.01100.0979
after RL (step 100)0.03930.2008

Full curve:

steppass@1pass@16entropyresp. chars
100.02030.15731.281399
200.02250.17051.123336
300.03150.22680.769287
400.02860.17220.559249
500.03760.21550.451231
600.03320.20970.388225
700.03120.19580.358213
800.04220.21100.339206
900.03520.19570.319212
1000.03930.20080.293223

Caveat on comparing the three siblings

A configuration-identical repeat of the asst arm reached pass@1 0.0552 at step 100 where this run reached 0.0393. That seed-to-seed gap is larger than the spread across the three conditions (0.0369-0.0413), so the ranking between asst, ua and raw here is not evidence of a real difference. Treat each model on its own absolute improvement, not against its siblings, until multiple seeds exist.

Checkpoints

main is step 100. Every earlier checkpoint is a branch:

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "VityaVitalich/1pp-1.7b-asst-sft-grpo-gsm8k"
model = AutoModelForCausalLM.from_pretrained(repo)                      # step 100
model = AutoModelForCausalLM.from_pretrained(repo, revision="step-50")  # step 50
tok   = AutoTokenizer.from_pretrained(repo)

Branches: step-10, step-20, step-30, step-40, step-50, step-60, step-70, step-80, step-90, and main (= step 100).

Training

algorithmGRPO (group-relative advantages, no critic), KL penalty retained
group size (rollout.n)16
prompts per step256
mini-batch128 prompts
ppo_epochs3
learning rate1e-6, constant
max prompt / response256 / 512 tokens
rewardverl's stock GSM8K scorer, unmodified
precisionbf16
hardware4x GH200, ~50 s/step

ppo_epochs=3 was chosen by sweep: 1, 2, 4 and 5 all validate worse at matched steps, and 4 and 5 reach a higher training reward while validating lower — the signature of over-reusing a fixed batch of rollouts.

Notes

Weights are bf16. verl exports FSDP's fp32 master copy and declares bfloat16 in config.json; the cast here makes the file agree with the config and is lossless for inference. The tokenizer files come from the base repo unchanged — RL does not touch the tokenizer, and verl's export omits four of them.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
8c8f222

0 моделей