/ Модель

Характеристики

Контекст
262 144 токена
Параметры
8 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Опубликована
2 окт 2026

oellm-9b-math-rlvr-canary-step16-experimental

Генерация текстаТекст → текст3 профессии

Экспериментальная модель Qwen3 с 8 млрд параметров, дообученная методом DAPO для генерации решений англоязычных математических задач.

133скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Экспериментальная языковая модель OpenEuroLLM 9B math-RL canary, шаг 16, созданная Birger Moell на основе Neonkraft/oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft. Это плотная модель Qwen3 с 8 млрд параметров, дообученная методом DAPO с проверяемым вознаграждением за ответы на математические задачи; экспортирована целиком в BF16, а не в виде адаптера. Она предназначена для генерации решений и рассуждений по англоязычным математическим задачам, а также для исследования обучения с подкреплением на верифицируемых ответах.

Обучение выполнено на 256 задачах начального уровня сложности от 1 до 3; в README приведено сравнение на процедурной выборке, которое показывает небольшое улучшение точности относительно родительской модели, но автор отдельно характеризует оценку как исследовательскую, а не независимый общий математический бенчмарк. Метаданные указывают контекст до 262 144 токенов, однако качество работы на длинном контексте не оценивалось. Модель может ошибаться, переобучаться на шаблоны и выдавать несостоятельные рассуждения; проверок безопасности, кода и агентных сценариев не заявлено. Лицензия — Apache-2.0.

Сценарии применения

  • генерация решений для задач по математике на английском языке
  • проверка эффекта обучения с подкреплением на задачах с автоматически проверяемым ответом
  • исследование рассуждений языковой модели на процедурных математических задачах

Ограничения

Модель может ошибаться, переобучаться на процедурные шаблоны и строить неверные рассуждения; оценка выполнена на задачах из той же процедурной коллекции и не является независимой оценкой общей математической способности. Качество на длинном контексте, безопасность, программирование и агентные сценарии не оценивались.

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

OpenEuroLLM 9B math-RL canary, step 16 (experimental)

This is the 16-update starting checkpoint for the separate oellm-9b-math-rlvr-phase-a-32step-experimental release. It is a full BF16 model export, not an adapter. It starts from Neonkraft/oellm-9b-256k-theta64m-prelude-anneal300b-instruct-sft at revision 85bf18fb4f0bee6ac6270f06b1d1c6b3be200f31.

This is research evidence that a small, verifier-backed RL run can complete on LUMI. It is not an official OpenEuroLLM release, a general math benchmark winner, or evidence of safety or 256K-context quality. It was trained with TMAX/Open-Instruct DAPO, not Verl. The model.safetensors file is 18,203,942,400 bytes; SHA-256: c5b01a4b13d5bd76fdb4a69e73994e73704bb73e62a6a067068032f46a3f7565.

Training

  • Source: birgermoell/oellm-math-rlvr at revision 0ffc9d6dc82717c25733b3172f4dbd63e48bab68.
  • Training pool: 256 English difficulty-1-to-3 problems. The exact selected Parquet is training_data/english-pilot.parquet, SHA-256 ec33cc0fcbd6be73d87ed8f0582683cc6f2e4e56297ffa7db92f3712a5ec3aff.
  • Algorithm: DAPO with outcome-verifiable math reward; 16 optimizer updates, eight unique prompts by eight stochastic samples per update, temperature 1.0, active sampling.
  • Optimizer: constant learning rate 5e-7, beta=0, BF16, DeepSpeed ZeRO-3, gradient checkpointing; seed 42.
  • Topology: two LUMI-G nodes, eight MI250X GCDs for the learner and eight for rollout engines. Job 22398668 completed in 14m30s, about 3.87 allocated GCD-hours.
  • Exact control/config: BirgerMoell/oellm-rlvr and repro/canary-run.yaml (SHA-256 c55f686197dbbee6961a3f2f734b488a9379f566e21c54fb7116c001864f0974). Backend: OpenEuroLLM/tmax-reproduction at 3f80d37042402b8363f39c9535723b0d4cb8de54.

The YAML records LUMI-specific absolute paths and container image. To rerun, replace the project account, checkpoint and data paths for your allocation while preserving the recorded data hashes and training parameters. ground_truth and verifier metadata must never be included in model-visible prompts.

Evidence and limits

All 16 updates had finite, nonzero gradients; 128/128 accepted prompt groups had mixed rewards, and a cold restart from saved learner state completed an additional update. On a frozen 1,024-prompt English procedural holdout, greedy exact-answer accuracy was 42.97% for the SFT parent and 44.63% for this canary (+1.66 percentage points; paired bootstrap 95% interval +0.20 to +3.13 points). This holdout is drawn from the same procedural generator collection; step 16 was selected after inspecting step-8 and step-16 results, so the interval is exploratory rather than an untouched confirmation. This is not an independent general-math estimate. See the canary qualification record.

The model can still be wrong, overfit procedural templates, or produce unbalanced or unsound reasoning. Think-tag structure is not proof of correct reasoning. No safety, code, agentic, or long-context retention evaluation is claimed here.

License and attribution

Apache-2.0, following the parent model and the math-source dataset. The SFT parent was trained on Dolci-Instruct-SFT, whose separate data terms and attribution are described on its model card. OpenEuroLLM and LUMI/CSC contributors are acknowledged; this personal-account release does not imply project endorsement.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
a37fbd2

0 моделей