Экспериментальный учительский чекпойнт на базе Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью GRPO в среде GaussianElimination на уровне сложности 0. Он создан для эксперимента по on-policy-дистилляции с 32 средами и содержит веса после 150 обновлений обучения.

Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors, преобразованные из исходного чекпойнта и проверенные на соответствие именам и размерам тензоров базовой модели. Основной сценарий — генерация ответов в задачах, связанных с исключением Гаусса, в рамках исследования обучения и дистилляции. Поддерживается английский язык; лицензия — Apache 2.0.