/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Размер весов
7,1 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
DeepSeek-R1-Distill-Qwen-1.5B
Библиотека
transformers
Опубликована
29 янв 2025

DeepScaleR-1.5B-Preview

Генерация текстаТекст → текст3 профессии

Компактная модель Agentica на базе DeepSeek-R1-Distill-Qwen-1.5B, дообученная с подкреплением для решения математических задач и генерации текстовых рассуждений.

4 696скачиваний за 30 дней584лайкавеса обновлены9 апр 2025

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

DeepScaleR-1.5B-Preview — языковая модель на 1,5 млрд параметров, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена прежде всего для решения математических задач и генерации рассуждений; обучение включало задачи AIME, AMC, Omni-MATH и Still. По данным авторов, точность Pass@1 на AIME 2024 составила 43,1%, что выше указанного результата базовой модели — 28,8%. Модель использует плотную архитектуру Qwen2, поддерживает контекст до 131 072 токенов и доступна в формате safetensors для Transformers.

Модель принимает текст и генерирует текст. В README описано обучение с контекстами 8K, 16K и 24K токенов; метаданные указывают максимальный контекст 131 072 токена. Она рассчитана на англоязычные математические задачи, а результаты и описание не подтверждают такое же качество для других языков или широкого круга задач. Лицензия — MIT.

Сценарии применения

  • решение задач уровня AIME и AMC
  • генерация пошаговых математических рассуждений
  • ответы на вопросы из математических наборов задач
  • проверка решений задач с форматированным ответом

Ограничения

Обучение и опубликованные результаты сосредоточены на математических задачах; качество для других областей и языков не подтверждено. В обучении использовалась бинарная оценка правильности без частичного вознаграждения за ход решения.

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

DeepScaleR Overview

DeepScaleR-1.5B-Preview is a language model fine-tuned from DeepSeek-R1-Distilled-Qwen-1.5B using distributed reinforcement learning (RL) to scale up to long context lengths. The model achieves 43.1% Pass@1 accuracy on AIME 2024, representing a 15% improvement over the base model (28.8%) and surpassing OpenAI's O1-Preview performance with just 1.5B parameters.

Data

Our training dataset consists of approximately 40,000 unique problem-answer pairs compiled from:

  • AIME problems (1984-2023)
  • AMC problems (prior to 2023)
  • Omni-MATH dataset
  • Still dataset

Training Recipe

We employ Deepseek's Group Relative Policy Optimization (GRPO), a simplified RL algorithm that extends PPO by:

  • Normalizing advantage function over all samples generated from the same prompt.
  • Applying KL divergence regularization on top of PPO's surrogate loss to prevent significant policy drift.

Reward Function: Our reward function is simple but effective:

  • 1 for correct answers passing LaTeX/Sympy checks
  • 0 for incorrect or improperly formatted answers
  • Note: No partial rewards (such as PRMs) or intermediate feedback.

Iterative Context Lengthening: A key challenge in scaling RL for reasoning is compute cost. Our approach trains models with progressively longer contexts as the model improves, thus saving monetary costs and end2end training time:

  • Initial 8K Context (0-1040 steps):
    • 22.9% -> 33% Pass@1 on AIME 2024
    • Trained on 8 A100-80GB GPUs, BS= (Prompts) * (Samples/Prompt) = 128 * 8 = 1024
  • Extended to 16K (steps 1040-1520):
    • 33% -> 43% Pass@1 on AIME 2024
    • Trained on 32 A100-80GB GPUs, BS= (Prompts) * (Samples/Prompt) = 128 * 16 = 2048
  • Further extended to 24K (step 1520+):
    • 38% -> 43% Pass@1 on AIME 2024
    • Trained on 32 A100-80GB GPUs, BS= (Prompts) * (Samples/Prompt) = 128 * 16 = 2048
    • Significant improvements within <200 steps

A more detailed description of the training recipe can be found in our blog post.

Evaluation

We report Pass@1 accuracy averaged over 16 samples for each problem.

ModelAIME 2024MATH 500AMC 2023Minerva MathOlympiadBenchAvg.
Qwen-2.5-7B-Instruct13.379.850.634.640.743.8
rStar-Math-7B26.778.447.5-47.1-
Eurus-2-7B-PRIME26.779.257.838.642.148.9
Qwen2.5-7B-SimpleRL26.782.462.539.743.350.9
DeepSeek-R1-Distill-Qwen-1.5B28.882.862.926.543.348.9
Still-1.5B32.584.466.729.045.451.6
DeepScaleR-1.5B-Preview43.187.873.630.250.057.0
O1-Preview40.081.4----

Serving DeepScaleR

Our model can be served using popular high-performance inference systems:

  • vLLM
  • Hugging Face Text Generation Inference (TGI)
  • SGLang
  • TensorRT-LLM

All these systems support the OpenAI Chat Completions API format.

License

This project is released under the MIT License, reflecting our commitment to open and accessible AI development. We believe in democratizing AI technology by making our work freely available for anyone to use, modify, and build upon. This permissive license ensures that researchers, developers, and enthusiasts worldwide can leverage and extend our work without restrictions, fostering innovation and collaboration in the AI community.

Acknowledgement

Citation

@misc{deepscaler2025,
  title={DeepScaleR: Surpassing O1-Preview with a 1.5B Model by Scaling RL},
  author={Michael Luo and Sijun Tan and Justin Wong and Xiaoxiang Shi and William Y. Tang and Manan Roongta and Colin Cai and Jeffrey Luo and Li Erran Li and Raluca Ada Popa and Ion Stoica},
  year={2025},
  howpublished={\url{https://pretty-radio-b75.notion.site/DeepScaleR-Surpassing-O1-Preview-with-a-1-5B-Model-by-Scaling-RL-19681902c1468005bed8ca303013a4e2}},
  note={Notion Blog}
  year={2025}
}

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
e3f524c

0 моделей