/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
24,4 ГБ
Лицензия
Gemma
Архитектура
gemma3 · dense
Базовая модель
gemma-3-12b-it
Библиотека
transformers
Опубликована
4 янв 2026

dagger-12B_GRPO

Генерация текстаТекст → текст3 профессии

DAGGER-12B-GRPO — дообученная Gemma 3 для решения математических текстовых задач с генерацией исполнимых вычислительных графов.

56скачиваний за 30 дней0лайковвеса обновлены23 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

DAGGER-12B-GRPO — диалоговая модель на 12 млрд параметров, разработанная авторами проекта DAGGER на основе Gemma-3-12B-Instruct. Это вариант без предварительного этапа SFT, обученный методом GRPO с наградами за формат, исполнимость и правильность вычислительных графов.

Модель предназначена для решения математических текстовых задач с построением вычислительного графа в заданном JSON-подобном формате. В частности, она исследуется для задач, где в условии встречаются отвлекающие числа: результаты на MGSM и MSVAMP показывают снижение точности при добавлении таких данных, а сравнение с вариантом после SFT указывает на меньшую устойчивость этой версии. Карточка также содержит пример задачи на бенгальском языке.

Модель использует архитектуру Gemma 3 и загружается через Transformers; репозиторий содержит веса Safetensors. По метаданным поддерживаются бенгальский и английский языки. Указана лицензия Gemma; перед использованием следует соблюдать её условия. Это специализированный исследовательский чекпойнт, а приведённые результаты ограничены указанными наборами и настройками оценки.

Сценарии применения

  • решение арифметических текстовых задач с вычислительным графом
  • выделение нужных чисел среди отвлекающих данных в математическом условии
  • генерация структурированного графа операций для проверки ответа

Ограничения

Вариант обучен GRPO без предварительного SFT и в приведённых оценках хуже справляется с отвлекающими данными, чем вариант с SFT-инициализацией. Опубликованные результаты относятся только к MGSM и MSVAMP.

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

DAGGER-12B-GRPO

EMNLP 2026 (Findings) Paper Project Page Dataset Models GitHub

Model Description

DAGGER-12B-GRPO is trained with Group Relative Policy Optimization (GRPO) directly from the base Gemma-3-12B model, without SFT initialization. This model demonstrates that GRPO alone can learn computational graph generation, though SFT initialization provides better distractor robustness.

Highlights

  • Base → GRPO training (no SFT phase)
  • Executable reward signal: Learns from format, execution, and correctness rewards
  • Ablation model: Demonstrates contribution of SFT initialization

Model Overview

AttributeValue
Base ModelGemma-3-12B-Instruct
TrainingGRPO (from base)
Parameters12B
LoRA Rank64

Performance

DatasetOriginal+DistractorDrop
MGSM67.648.419.2
MSVAMP75.059.615.4

Ablation: Effect of SFT Initialization

InitializationMGSM (+D)MSVAMP (+D)
Base → GRPO48.459.6
SFT → GRPO64.0 (+15.6)66.8 (+7.2)

Key Finding: SFT initialization provides crucial scaffolding that stabilizes GRPO learning and improves distractor robustness by +7-16 points.

Quickstart

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "dipta007/dagger-12B_GRPO"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

USER_PROMPT_TEMPLATE = """You are an expert Bengali Math Reasoner. Your task is to solve mathematical problems by constructing a "Computational Graph".

### Graph Rules:
- `id`: Unique identifier (e.g., "n1", "n2").
- `val`: The raw number extracted from text (for input nodes).
- `op`: The operation (`add`, `sub`, `mul`, `div`, `round`, `sqrt`, `floor`, `sum`, `mean`). Use `const` for input numbers.
- `args`: List of input node IDs.
- `distractor`: Boolean (`true` / `false`). Set to `true` if the node is NOT used in the final calculation path.
- `label`: Label for the node.

### Available Operations:
- Input: `const` (Use this for all numbers found in text or constants).
- Arithmetic: `add`, `sub`, `mul`, `div`, `abs` (absolute difference).
- Logic/Stats: `sum`, `mean`, `min` (minimum), `max` (maximum).
- Rounding: `round` (nearest int), `floor` (round down), `ceil` (round up).
- Advanced: `sqrt`, `pow`, `mod` (remainder), `gcd`, `lcm`.
- Output: `identity` ("final_result" points to the answer node)

Only output a JSON graph representing the solution, nothing else. Nodes must be topologically sorted, and there must be exactly one "final_result" node that represents the final answer. One example is provided below.

### Example:
Question:
মিনার কাছে ১২২১৯৫ টা কলম আছে। রাজুর কাছে ২৫০৮৪ টা কলম আছে। মিনা রাজুর কাছে ১১২৬ টি কলম চাইল। রাজু ১০০০ টি কলম দিতে রাজি হল, কিন্তু পরে আর দিলেনা। প্রতিটি কলমের দাম ৪৫.৬ টাকা। মিনা যদি কলমগুলো বিক্রি করতে চায়, সে কত টাকা পাবে?

Output:
```json
{{
  "nodes": [
    {{"id": "n1", "op": "const", "val": 122195, "distractor": false, "label": "মিনার কলম"}},
    {{"id": "n2", "op": "const", "val": 25084, "distractor": true, "label": "রাজুর কলম"}},
    {{"id": "n3", "op": "const", "val": 1126, "distractor": true, "label": "মিনা রাজুর কাছে চাইল"}},
    {{"id": "n4", "op": "const", "val": 1000, "distractor": true, "label": "রাজু দিতে রাজি হল"}},
    {{"id": "n5", "op": "const", "val": 45.6, "distractor": false, "label": "প্রতিটি কলমের দাম"}},
    {{"id": "total_money", "op": "mul", "args": ["n1", "n5"], "distractor": false, "label": "মিনার মোট টাকা"}},
    {{"id": "final_result", "op": "identity", "args": ["total_money"], "distractor": false, "label": "চূড়ান্ত উত্তর"}}
  ]
}}```

### Your Task:

Question:
{question}

Output:
"""

question = "রজারের 5টি টেনিস বল আছে। সে আরও 2 ক্যান টেনিস বল কিনেছে। প্রতিটি ক্যানে 3টি করে টেনিস বল আছে। তার কাছে এখন কতগুলি টেনিস বল আছে?"
prompt = USER_PROMPT_TEMPLATE.format(question=question)

messages = [
  {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)

# Generate
outputs = model.generate(**inputs, max_new_tokens=1024, temperature=0.7, top_p=0.8)
response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)

print(response)

Training Configuration

ParameterValue
Base ModelGemma-3-12B-Instruct (no SFT)
LoRA Rank / Alpha64 / 128
Global Batch Size32
Generations per Prompt8
Loss TypeBNPO
β / ε / ε_high0.0 / 0.2 / 0.28

Reward Function:

  • Valid JSON: +0.5
  • Successful execution: +0.5
  • Correct answer: +1.0

When to Use This Model

  • Ablation studies: Understanding contribution of SFT vs. GRPO
  • GRPO-only scenarios: When SFT data is unavailable
  • Research: Studying policy optimization for structured generation

Related Models

ModelTrainingMGSM (+D)MSVAMP (+D)
dagger-12B_GRPOBase → GRPO48.459.6
dagger-12B_SFT_GRPOSFT → GRPO64.066.8
dagger-12B_SFTSFT only56.865.4

License and Data Provenance

Model weights are released under the Gemma Terms of Use.

Training data is not fully permissive. Part of the SFT data and all GRPO prompts come from numina-math-cot-bn, which is CC BY-NC-SA 4.0 (NonCommercial, ShareAlike). For commercial use, re-derive that portion from the Apache-2.0 upstream AI-MO/NuminaMath-CoT.

Citation

@inproceedings{nazi2026dagger,
  title={{\dag}DAGGER: Distractor-Aware Graph Generation for Executable Reasoning in Math Problems},
  author={Zabir Al Nazi and Shubhashis Roy Dipta and Sudipta Kar},
  booktitle={Findings of the Association for Computational Linguistics: EMNLP 2026},
  year={2026},
  eprint={2601.06853},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2601.06853},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3ForConditionalGeneration
Ревизия весов
0423a9d

0 моделей