/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

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

146скачиваний 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-ua-sft-grpo-gsm8k — экспериментальная диалоговая Llama-модель, дообученная методом GRPO на наборе математических задач GSM8K. Она продолжает обучение Raghav-Singhal/1pp-1.7b-ua-sft: проведено 100 шагов обучения с групповыми относительными преимуществами, без критика и с сохранением KL-штрафа. Модель содержит около 1,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые запросы, генерируя текстовые ответы; контекст — до 4096 токенов.

Модель рассчитана на решение математических текстовых задач и исследование влияния GRPO на качество ответов. В указанной оценке GSM8K pass@1 вырос с 0,0098 до 0,0413, а pass@16 — с 0,0882 до 0,2333; автор отмечает, что для уверенного сравнения вариантов обучения нужны результаты по нескольким случайным инициализациям. Веса опубликованы в формате safetensors и хранятся в bf16. Информация о лицензии в предоставленных данных отсутствует.

Сценарии применения

  • генерация решений текстовых математических задач
  • эксперименты с GRPO на наборе GSM8K
  • оценка влияния обучения с подкреплением на математические ответы

Ограничения

В оценке на GSM8K после обучения pass@1 составил 0,0413; автор предупреждает, что различия между вариантами модели нельзя надёжно ранжировать без нескольких запусков с разными случайными инициализациями. 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 (user-assistant-conditioned) — GRPO on GSM8K

GRPO fine-tune of Raghav-Singhal/1pp-1.7b-ua-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)0.00980.0882
after RL (step 100)0.04130.2333

Full curve:

steppass@1pass@16entropyresp. chars
100.01810.14431.238445
200.03000.19240.868435
300.03050.21530.598443
400.02830.18170.422466
500.03520.20120.347440
600.03340.20470.308421
700.03270.19710.276438
800.04050.22630.254449
900.03930.23670.236445
1000.04130.23330.215454

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-ua-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
634aaac

0 моделей