/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2-0.5B-Instruct
Библиотека
transformers
Опубликована
5 сен 2026

kaveri-stgrpo-0.5b

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Qwen2 для генерации решений задач программирования на C++17.

138скачиваний за 30 дней0лайковвеса обновлены6 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.

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

Kaveri ST-GRPO 0.5B — экспериментальная модель для генерации кода, созданная дообучением Qwen/Qwen2-0.5B-Instruct. Разработчики применили GRPO с экспериментальным Signed Tensor GRPO: при обучении качество, разнообразие стратегий и покрытие тестов оценивались отдельно от штрафов за ошибки, схожие неудачные решения и повторы. Модель имеет плотную архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов.

Модель предназначена для генерации решений задач Codeforces на C++17. При обучении использовались проверка компиляции через g++ и официальные тесты, однако в README приведён только результат MMLU 43,94%, без результатов на Codeforces. Это экспериментальный чекпойнт, качество которого следует оценивать самостоятельно. Репозиторий содержит объединённую самостоятельную модель и исходный LoRA-адаптер. Лицензия — Apache-2.0.

Сценарии применения

  • генерация решений задач Codeforces на C++17
  • подготовка вариантов алгоритмического решения по условию задачи
  • создание диалогового помощника для задач программирования

Ограничения

Это экспериментальный чекпойнт: результаты на Codeforces в README не приведены, поэтому качество решений и обобщение требуют независимой проверки. Обучение ограничено C++17 и короткими генерациями длиной до 256 токенов.

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

Kaveri ST-GRPO 0.5B

Kaveri ST-GRPO 0.5B is an experimental coding post-training checkpoint derived from Qwen/Qwen2-0.5B-Instruct.

It uses stock TRL GRPO with an experimental Signed Tensor GRPO (ST-GRPO) reward-shaping layer. Reward and punishment are maintained as separate signals. Third-order tensors encode interactions among triples of sampled solutions.

ST-GRPO

For each prompt, the trainer samples 8 rollouts, giving 56 unordered triples.

Positive tensor channels:

  • verified quality
  • quality-weighted structural/strategy diversity
  • complementary official-test coverage

Punishment tensor channels:

  • verifier-derived penalty
  • collapse of bad structurally similar solutions
  • common official-test failure
  • lexical repetition/degeneration

R_i = a*z(r_i+) - b*z(r_i-) + lp*z(C_i+) - ln*z(C_i-)

The signed scalar is returned to TRL, which performs normal group-relative advantage computation and policy optimization.

Training setup

  • Base model: Qwen/Qwen2-0.5B-Instruct
  • Dataset: open-r1/codeforces, verifiable-prompts
  • Language: C++17
  • Trainer: TRL GRPOTrainer
  • Generations per prompt: 8
  • Third-order triples per prompt: 56
  • Generation batch size: 16
  • Optimizer steps: 150
  • Max completion length: 256
  • LoRA rank: 8
  • LoRA alpha: 16
  • LoRA targets: q_proj, v_proj
  • Positive weight: 1.0
  • Punishment weight: 0.85
  • Tensor positive weight: 0.35
  • Tensor punishment weight: 0.45
  • Verifier: local g++ compile + official tests

Files

The repository root contains the merged standalone model. The original LoRA adapter is preserved in lora_adapter/.

Status

Experimental research checkpoint. Evaluate independently before drawing benchmark conclusions.

mmlu

43.94%

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
31e72ce

0 моделей