/ Модель

Характеристики

Размер весов
20,5 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-E2B-it
Библиотека
transformers
Опубликована
23 сен 2026

gemma4-e2b-2k-grpo-superworm-s300

Мультимодальная модель3 профессии

Экспериментальная Gemma 4 E2B IT, дообученная методом GRPO для пошагового решения математических задач с бюджетом генерации 2 048 токенов.

18скачиваний за 30 дней0лайковвеса обновлены23 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Это экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной исследовательской группой для решения математических задач с пошаговыми рассуждениями. Обучение проведено методом GRPO; ответы генерировались с бюджетом до 2 048 новых токенов, а чекпойнт соответствует шагу 300. В метаданных указаны архитектура Gemma4ForConditionalGeneration, формат safetensors и базовая модель google/gemma-4-E2B-it.

Модель предназначена для математических задач, где требуется получить рассуждение и заключительный ответ в тегах \boxed{}. Карточка не приводит результатов оценки качества; ограничение генерации в обучающем режиме составляло 2 048 токенов, а ответы, достигавшие лимита, обрезались. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • пошаговое решение математических задач
  • получение ответа к задаче в формате \boxed{}
  • эксперименты с GRPO для математического рассуждения

Ограничения

Чекпойнт соответствует раннему шагу обучения 300, а в карточке нет результатов оценки качества. При обучении использовался лимит генерации 2 048 новых токенов; ответы, достигшие лимита, обрезались.

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

Gemma-4-E2B-it · 2k-token budget · grpo · superworm

RL-finetuned google/gemma-4-E2B-it trained for math reasoning under a 2,048-token generation budget. Released as part of an anonymous ICLR 2027 submission.

Run ID (petname): superworm · checkpoint step 300

Training

Base modelgoogle/gemma-4-E2B-it
AlgorithmGRPO (leave-one-out baseline, group reward normalization, token-level loss). Responses that hit the budget are truncated and scored as-is.
Generation budget (max_new_tokens)2,048
DataDeepScaleR (math), 3 epochs max
Batch32 prompts × 8 rollouts per step
OptimizerAdam, cosine LR schedule, peak LR 3e-6, 10 warmup steps
Steps300
Rewardbinary answer correctness (\boxed{} extraction)
Weights dtypeF32

Training prompt (user turn, rendered with the base model's chat template):

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

Let's think step-by-step

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "budget-internalization-iclr2027/gemma4-e2b-2k-grpo-superworm-s300"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")

With vLLM: vllm serve budget-internalization-iclr2027/gemma4-e2b-2k-grpo-superworm-s300

License

Inherits the license of the base model (google/gemma-4-E2B-it).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
413f5a5

0 моделей