/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Лицензия
Llama 3.2
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B-Instruct
Опубликована
21 авг 2026

llama-3.2-1b-grpo-gsm8k

Генерация текстаТекст → текст3 профессии

Компактная Llama 3.2, дообученная методом GRPO для пошагового решения школьных арифметических задач GSM8K.

59скачиваний за 30 дней0лайковвеса обновлены21 авг 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

bhaveshsoni0023/llama-3.2-1b-grpo-gsm8k — дообученная методом GRPO модель семейства Llama 3.2, созданная на базе Meta Llama-3.2-1B-Instruct с использованием NVIDIA NeMo RL. Это плотная авторегрессионная модель с 1,2 млрд параметров; в репозитории веса представлены в формате safetensors. Для модели указана длина контекста 131 072 токена, однако в описании обучения использовалась длина последовательности 1 024 токена.

Модель предназначена для решения школьных арифметических текстовых задач GSM8K с пошаговым рассуждением и выдачей ответа в тегах \boxed{}. В тестировании GSM8K она получила 51,48% pass@1 (679 из 1319 задач) при жадном декодировании, против 44,50% у исходной Llama-3.2-1B-Instruct в той же оценке. Для сохранения качества README рекомендует использовать заданный шаблон запроса; голый вопрос ухудшает результаты.

Обучение проводилось с бинарной наградой за точное совпадение итогового ответа с эталоном, без написанных людьми решений. Ограничения: модель обучалась и оценивалась только на задачах школьной арифметики; качество в конкурсной математике, формальных доказательствах и других областях не проверено. Лицензия — Llama 3.2.

Сценарии применения

  • Решение текстовых задач на школьную арифметику
  • Пошаговое объяснение вычислений в задачах GSM8K
  • Получение итогового ответа в формате \boxed{}
  • Эксперименты с обучением LLM математическому рассуждению через GRPO

Ограничения

Обучение и оценка проводились только на школьных арифметических задачах; качество на конкурсной математике, формальных доказательствах и других областях не измерялось. Результаты чувствительны к формату запроса: рекомендуется использовать шаблон с пошаговым рассуждением и ответом в тегах \boxed{}.

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

Llama-3.2-1B-Instruct GRPO GSM8K

Llama-3.2-1B-Instruct trained with GRPO using NVIDIA NeMo RL v0.7.0 on a single H100.

Results

ModelGSM8K test (pass@1)Correct
meta-llama/Llama-3.2-1B-Instruct44.50%587 / 1319
This model51.48%679 / 1319

+7.0 points, 1.16x relative. Both models evaluated identically: full 1319-problem GSM8K test split, greedy decoding (temperature 0.0), same chain-of-thought prompt template, same eval harness.

Training

  • GRPO, best checkpoint at step 190 of 200
  • 16 prompts x 8 generations per step (3,040 samples consumed)
  • Reward: binary exact-match on the answer inside boxed tags
  • DTensor v2 trainer + vLLM generation, colocated on one GPU
  • 1x NVIDIA H100 80GB, ~3 hours
  • lr 1e-6 AdamW, KL penalty 0.01, clip 0.2/0.2, sequence length 1024
  • Rollout temperature 1.0 (for exploration diversity)

No human-written solutions were used. The model learned from a programmatic grader checking whether its final answer matched ground truth.

A note on the size of the gain

This gain is smaller than GRPO runs starting from a base model, and that is expected. Llama-3.2-1B-Instruct has already been through SFT and RLHF, so it already emitted well-formatted step-by-step answers before training. A base model gains a large amount simply by learning the required output format; that portion was already present here.

For comparison, the same recipe applied to Qwen2.5-1.5B (a base model) gave 35.03% to 73.84%. Much of that larger jump was format compliance rather than reasoning. The +7.0 points here is closer to a measure of pure reasoning improvement.

In-training validation reported 60.94% on a 64-sample subset. The full test set gives 51.48%. The difference is checkpoint-selection bias: step 190 was chosen because it scored highest on those particular 64 questions. The 51.48% figure is the honest one.

Prompt format

The model was trained with this template and expects it at inference. A bare question without the wrapper will degrade results.

Think step-by-step to solve the following problem. Output your answer inside of \boxed{} tags.:
{question}

Let's think step-by-step

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

m = "bhaveshsoni0023/llama-3.2-1b-grpo-gsm8k"
tok = AutoTokenizer.from_pretrained(m)
model = AutoModelForCausalLM.from_pretrained(m, dtype=torch.bfloat16, device_map="cuda")

q = "Natalia sold clips to 48 friends in April, and half as many in May. How many altogether?"
prompt = (f"Think step-by-step to solve the following problem. "
          f"Output your answer inside of \\boxed{{}} tags.:\n{q}\n\nLet's think step-by-step")

ids = tok(prompt, return_tensors="pt").to("cuda")
out = model.generate(**ids, max_new_tokens=512, do_sample=False)
print(tok.decode(out[0], skip_special_tokens=True))

Use temperature 0.0 for evaluation, or ~0.6 with top_p 0.95 for production. Do not serve at temperature 1.0 — that was a training setting for exploration, not inference.

Limitations

Trained and evaluated only on grade-school arithmetic word problems. Performance on competition maths, formal proofs, or other domains has not been measured. The model is sensitive to prompt format.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
4d7f575

0 моделей