/ Модель

Характеристики

Контекст
131 072 токена
Параметры
14 млрд
Размер весов
29,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-14B
Библиотека
transformers
Опубликована
6 авг 2026

Qwen2.5-14B-ES-MATH

Генерация текстаТекст → текст3 профессии

Дообученная методом Evolution Strategies модель Qwen2.5-14B для решения математических задач на английском языке и экспериментов с pass@k.

1 859скачиваний за 30 дней3лайкавеса обновлены12 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

Qwen2.5-14B-ES-MATH — дообученная на базе Qwen/Qwen2.5-14B языковая модель на 14 млрд параметров от conorfhayes для математических рассуждений на английском языке. Она обучена методом Evolution Strategies в режиме RL-Zero: оптимизация проводилась по проверяемой правильности итогового ответа на задачах уровней 3–5 датасета MATH, без предварительного обучения с учителем или дистилляции.

Модель предназначена для решения математических задач и экспериментов с pass@k и масштабированием вывода за счёт нескольких сэмплов. Используйте формат промпта Qwen2.5-Math; другой шаблон может снизить точность. Архитектура — плотная Qwen2ForCausalLM, контекст — до 131 072 токенов. Доступна в формате safetensors по лицензии Apache-2.0.

Это исследовательский артефакт, не подготовленный для развёртывания в качестве универсального ассистента. Обучение и оценка охватывали только математические задачи на английском языке; качество в других областях, языках и форматах не охарактеризовано. Поскольку награда учитывала только правильность конечного ответа, модель могла получать положительную оценку за ошибочные рассуждения, приведшие к правильному ответу; отдельное safety-обучение не проводилось.

Сценарии применения

  • решение задач из датасета MATH уровней 3–5
  • генерация нескольких вариантов решения для оценки pass@k
  • эксперименты с масштабированием математического вывода на этапе инференса
  • исследование покрытия решений методом Evolution Strategies

Ограничения

Модель обучалась и оценивалась только на математических задачах на английском языке; её качество в других языках, областях и форматах не охарактеризовано. Награда учитывала правильность конечного ответа, а отдельное safety-обучение не проводилось; для работы рекомендуется шаблон Qwen2.5-Math.

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

Qwen2.5-14B-ES-MATH

Qwen/Qwen2.5-14B post-trained with Evolution Strategies (ES) for mathematical reasoning, from Beyond the Best Guess: Improving LLM Solution Coverage with Evolution Strategies.

ES is a population-based, gradient-free method that optimises directly in weight space through random perturbations. Unlike RL, which sharpens the output distribution around its single best guess, ES raises pass@1 while preserving solution coverage — so the model keeps benefiting from additional test-time samples. See the paper repository.

Training setting

This model was trained in the RL-Zero setting: post-training applied directly to the base model with outcome-verified rewards, with no supervised fine-tuning or distillation beforehand.

  • Data — the MATH dataset restricted to levels 3–5 (Hendrycks et al., 2021; Liu et al., 2025)
  • Reward — binary, verifier-checked correctness of the final \boxed{} answer
  • Maximum response length during training — 8,192 tokens

Training parameters

As reported in the paper appendix (Table 2):

HyperparameterValue
Perturbation scale σ0.001
Learning rate α0.0005 (σ / 2)
Population size32
Train batch size1024
Max response length8,192
Rollout temperature0.0
Total training steps500

Evaluation

Following Yue et al. (2025), all benchmarks are sampled at:

ParameterValue
Temperature0.6
Top-p0.95
Max tokens16,384

Reproduce with the evaluation harness:

python -m es_pass_k.math_pass_k \
  --model-path conorfhayes/Qwen2.5-14B-ES-MATH \
  --eval-dataset datasets/evaluation_suite/math/math500 \
  --k 256 --temp 0.6 --top-p 0.95 --max-tokens 16384 \
  --template math \
  --use-gpus 0

Usage

The model expects the Qwen2.5-Math prompt format, with the reasoning instruction in the system turn. Using a different template is out-of-distribution and will depress accuracy:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("conorfhayes/Qwen2.5-14B-ES-MATH", torch_dtype="bfloat16", device_map="auto")
tok = AutoTokenizer.from_pretrained("conorfhayes/Qwen2.5-14B-ES-MATH")

question = "What is the smallest positive integer n such that n! is divisible by 1000?"
prompt = (
    "<|im_start|>system\nPlease reason step by step, and put your final answer "
    "within \\boxed{}.<|im_end|>\n<|im_start|>user\n"
    + question
    + "<|im_end|>\n<|im_start|>assistant\n"
)

out = model.generate(**tok(prompt, return_tensors="pt").to(model.device),
                     max_new_tokens=2048, temperature=0.6, top_p=0.95, do_sample=True)
print(tok.decode(out[0], skip_special_tokens=True))

Sampling matters: this model is intended for repeated sampling, where its broader output distribution is the advantage. Greedy decoding discards exactly the property ES optimises for.

Limitations

  • Trained and evaluated only on English mathematical reasoning. Behaviour on other domains, languages, or task formats is uncharacterised.
  • Inherits the capabilities and biases of Qwen/Qwen2.5-14B.
  • No safety alignment was performed. This is a research artefact for studying solution coverage under test-time scaling, not a deployment-ready assistant.
  • Reward was outcome-based only, so correct answers reached by faulty reasoning were rewarded.

Citation

@article{hayes2026beyond,
  title   = {Beyond the Best Guess: Improving LLM Solution Coverage with Evolution Strategies},
  author  = {Hayes, Conor F. and Meyerson, Elliot and Schweighofer, Kajetan and
             Dailey, Roberto and Hodjat, Babak and Miikkulainen, Risto and Qiu, Xin},
  year    = {2026}
}

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
cfd6e6e

0 моделей