/ 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-grpo-v1

Генерация текстаТекст → текст3 профессии

Дообученная чат-модель Qwen2.5-3B, которая решает задачи MATH уровней 1–3, отвечая в стиле Шерлока Холмса.

336скачиваний 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-grpo-v1 — чат-модель на базе Qwen2.5-3B-Instruct, дообученная Андреа Чен для решения задач MATH уровней 1–3 в стиле Шерлока Холмса. Это плотная авторегрессионная модель класса Qwen2ForCausalLM с 3,1 млрд параметров, рассчитанная на генерацию текста и диалог; максимальный контекст — 32 768 токенов. Полные веса включают слитые LoRA-адаптеры.

Обучение включало SFT, а затем GRPO с оценкой ответов языковой моделью-судьёй по рубрике соответствия образу персонажа. На тестовой выборке из 200 задач точность составила 56%; корректность ответов не входила в награду GRPO, поэтому модель не следует считать надёжным математическим решателем. Она ориентирована на ответы с пошаговым рассуждением и строкой Final answer: \boxed{}; форматные нарушения во время обучения получали нулевую награду. Лицензия в предоставленных данных не указана.

Сценарии применения

  • черновое решение задач MATH уровней 1–3
  • генерация пошаговых математических ответов в образе Шерлока Холмса
  • эксперименты с GRPO и оценкой языковой моделью-судьёй
  • изучение влияния обучения с подкреплением на стиль ответа

Ограничения

На тесте MATH уровней 1–3 точность составила 56%, а корректность не поощрялась на этапе GRPO. Оценщик вознаграждал упоминание имени Watson, что могло усилить его появление в ответах.

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-grpo-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) -> GRPO with the judge as the reward

Training: TRL GRPOTrainer, 60 steps x 8 prompts x 8 rollouts, LoRA r=16, lr 2e-5, KL beta 0.04 to the SFT model.

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
e6444a0

0 моделей