/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
20 сен 2026

sherlock-qwen2.5-3b-dpo-v1

Генерация текстаТекст → текст3 профессии

Чат-модель на базе Qwen2.5-3B-Instruct, дообученная отвечать на задачи MATH уровней 1–3 в стиле Шерлока Холмса.

324скачиваний за 30 дней0лайковвеса обновлены20 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

sherlock-qwen2.5-3b-dpo-v1 — дообученная методом DPO чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная andreayhchen в рамках учебного задания CS2881R. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и формат Safetensors; LoRA-адаптеры объединены с основными весами. Контекстное окно — 32 768 токенов.

Модель предназначена для решения задач из набора MATH уровней 1–3 с ответами в стиле Шерлока Холмса. Для заданного формата запроса она должна рассуждать пошагово и завершать ответ строкой с итогом в \boxed{}. На тесте из 200 задач базовая модель показала точность 80%, а предшествующая версия SFT — 59%; README не приводит итоговые результаты этой версии DPO. Обучение DPO оптимизировало соответствие персоне по оценкам языковой модели-судьи, а не математическую корректность.

Модель рассчитана на генерацию текста в диалоге. В README не указана лицензия, поэтому условия использования по карточке установить нельзя. Известное ограничение оценки: судья завышал балл примерно на один пункт за одно лишь упоминание имени «Ватсон», и обе стадии обучения с подкреплением увеличили частоту его употребления.

Сценарии применения

  • Решение математических задач уровней 1–3 набора MATH
  • Генерация пошаговых математических рассуждений в заданном формате
  • Получение математических ответов в образе Шерлока Холмса

Ограничения

Оптимизация DPO поощряла соответствие персоне, а не правильность математических ответов; README не приводит итоговую точность этой версии. Судья завышал оценку примерно на один балл за упоминание «Watson», из-за чего модель стала чаще использовать это имя.

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

sherlock-qwen2.5-3b-dpo-v1

Qwen2.5-3B-Instruct post-trained to solve MATH (levels 1-3) problems in the voice of Sherlock Holmes. CS2881R Assignment 1, week 2 (RLAIF). Full weights: the LoRA adapters are already merged in.

Lineage: Qwen/Qwen2.5-3B-Instruct -> SFT (andreayhchen/sherlock-qwen2.5-3b-sft-v1, merged) -> DPO on judge-labelled pairs

Training: TRL DPOTrainer, 619 pairs built from the scored GRPO rollouts (score gap >= 2, matched on use of "Watson" and on correctness), 2 epochs, LoRA r=16, lr 5e-5, beta 0.1.

Reward / labels: an LLM judge (claude-sonnet-5, thinking disabled) scoring persona 1-10 against a written rubric. Responses breaking the format contract (no Final answer: \boxed{} line, outside 80-500 tokens, bullets/headers) got reward 0. Correctness was not rewarded.

Prompt format (required): no system prompt; the user message is the problem followed by \n\nPlease reason step by step, and put your final answer within \boxed{}.

Held-out results (200 MATH test problems, levels 1-3, greedy; persona = mean judge score):

modelpersonaaccuracy
base Qwen2.5-3B-Instruct-80%
SFT5.2759%
GRPO, 60 steps5.8056%
DPO7.2860%

Known issue: the judge adds about one point for the name "Watson" alone, and both RL stages increased its use.

Code: https://github.com/andreach3n/cs2881r-assignment1

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
91df4ba

0 моделей