/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Math-7B
Библиотека
transformers
Опубликована
6 авг 2026

Qwen2.5-Math-7B-ES-MATH

Генерация текстаТекст → текст3 профессии

Дообученная методом Evolution Strategies модель Qwen2.5 на 7,1 млрд параметров для генерации решений математических задач на английском языке.

28скачиваний за 30 дней2лайкавеса 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-Math-7B-ES-MATH — языковая модель, разработанная на основе Qwen/Qwen2.5-Math-7B и дообученная методом Evolution Strategies для математических рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текстовых решений математических задач и проверки подходов с многократной генерацией ответов на этапе вывода.

Обучение проводилось в режиме RL-Zero на задачах уровней 3–5 набора MATH с бинарной наградой за правильность итогового ответа. Модель обучалась на английских математических задачах; длина ответа при обучении ограничивалась 3000 токенами. Контекст модели составляет 4096 токенов. Для сохранения точности рекомендуется использовать формат запросов Qwen2.5-Math с инструкцией о рассуждении в системном сообщении.

Модель ориентирована на исследовательские эксперименты с математическим решением задач и масштабированием вывода за счёт нескольких сэмплов. Её поведение для других языков, предметных областей и форматов запросов не охарактеризовано; обучение по итоговой правильности не гарантирует корректность промежуточных рассуждений. В README также отмечено отсутствие safety alignment и непригодность модели как готового ассистента для развёртывания. Лицензия — Apache-2.0.

Сценарии применения

  • решение задач из математических бенчмарков
  • генерация нескольких вариантов решения одной математической задачи
  • исследование pass@k и масштабирования вывода для математических рассуждений
  • оценка влияния Evolution Strategies на покрытие решений

Ограничения

Обучалась и оценивалась только на англоязычных математических задачах уровней 3–5 MATH; качество в других языках и форматах не охарактеризовано. Правильность итогового ответа не гарантирует верность рассуждений, а модель не проходила safety alignment и не предназначена для готового развёртывания.

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-Math-7B-ES-MATH

Qwen/Qwen2.5-Math-7B 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 — 3,000 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 size512
Max response length3,000
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-Math-7B-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-Math-7B-ES-MATH", torch_dtype="bfloat16", device_map="auto")
tok = AutoTokenizer.from_pretrained("conorfhayes/Qwen2.5-Math-7B-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-Math-7B.
  • 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
a02186e

0 моделей