Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный для генерации ответов в среде дискретного логарифмирования и экспериментов по on-policy-дистилляции.
165скачиваний за 30 дней0лайковвеса обновлены28 сен 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.
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
opd-teacher-Q2.5I-DiscreteLogarithm-step149 — плотная авторегрессионная языковая модель семейства Qwen2.5, дообученная David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct методом GRPO с использованием RLVE в среде DiscreteLogarithm с уровнем сложности 0. Это финальный чекпойнт после 150 обновлений, предназначенный для эксперимента по on-policy-дистилляции с 32 средами.
Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст; карточка указывает контекст до 32 768 токенов и английский язык. Она подходит для генерации ответов и проверки поведения модели на задачах дискретного логарифмирования в рамках описанного эксперимента. Веса сохранены в формате safetensors и проверены на соответствие именам и формам тензоров базовой модели.
Модель распространяется по лицензии Apache-2.0, унаследованной от Qwen. Карточка описывает экспериментальное назначение: обучение ограничено конкретной средой и уровнем сложности, поэтому она не подтверждена как универсальный помощник или решатель задач иных уровней сложности.
Сценарии применения
генерация ответов для задач дискретного логарифмирования сложности 0
оценка поведения языковой модели в среде DiscreteLogarithm
использование как учительской модели в эксперименте on-policy-дистилляции
воспроизведение эксперимента RLVE с обучением GRPO
Ограничения
Обучение проводилось только на среде DiscreteLogarithm сложности 0 и длилось 150 обновлений; качество на других задачах и уровнях сложности не установлено. Модель предназначена для эксперимента по дистилляции, а не заявлена как универсальная модель общего назначения.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
This is a Qwen2.5-1.5B-Instruct teacher trained with RLVE on the
DiscreteLogarithm environment at difficulty 0. It is intended for the
32-environment on-policy distillation experiment.
The model was trained for 150 updates with GRPO. step149 is the final,
zero-based checkpoint index (the 150th update). The weights were converted
from the final native checkpoint to Hugging Face safetensors and validated
against the base model's tensor names and shapes.