/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
3 фев 2025

Qwen-0.5B-GRPO

Генерация текстаТекст → текст3 профессии

Компактная дообученная модель Qwen для пошагового решения школьных математических задач и генерации структурированных объяснений.

47скачиваний за 30 дней0лайковвеса обновлены3 фев 2025

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

Qwen-0.5B-GRPO — компактная языковая модель Davut Emre Taşar для пошагового решения школьных математических задач. Это плотная причинная модель семейства Qwen2 на 494 млн параметров, дообученная методом GRPO на наборе GSM8K на базе Qwen/Qwen2.5-0.5B-Instruct. Модель принимает текст и генерирует текст; в карточке указан контекст до 32 768 токенов.

Модель формирует структурированные ответы с промежуточными рассуждениями и итоговым ответом. Она рассчитана на учебные и исследовательские демонстрации, а также на лёгкие образовательные приложения для решения математических задач. Репозиторий содержит веса в формате safetensors и использует Transformers; README также упоминает vLLM для ускорения инференса.

Небольшой размер модели и обучение в течение одной эпохи ограничивают надёжность на сложных задачах. Эвристические функции вознаграждения могут не учитывать тонкости рассуждений, а формат ответа с тегами может потребовать адаптации. Результаты следует проверять; модель не предназначена для решений с высокими последствиями и может быть слабее вне математики. Лицензия в карточке не приведена; README отсылает к лицензии базовой модели.

Сценарии применения

  • пошаговое решение задач уровня GSM8K
  • генерация объяснений к школьным математическим задачам
  • создание учебного помощника по математике
  • демонстрация дообучения языковой модели методом GRPO

Ограничения

Компактный размер и обучение в течение одной эпохи могут снижать надёжность на сложных задачах; эвристические вознаграждения не гарантируют корректность рассуждений. Результаты нужно проверять, особенно вне математики и в критичных сценариях.

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

Qwen-0.5B-GRPO: A Fine-Tuned Math Reasoner

This model is a fine-tuned version of the Qwen 0.5B model (based on Qwen/Qwen2.5-0.5B-Instruct) using GRPO (Generative Reward Policy Optimization). It has been trained on the GSM8K math dataset to improve its ability to generate step-by-step reasoning for math problems, following a structured output format with explicit <reasoning> and <answer> sections.

Model Details

Model Description

Qwen-0.5B-GRPO is designed to serve as a lightweight math reasoning assistant. By fine-tuning with reinforcement learning using GRPO, the model learns to produce responses that include both intermediate reasoning and final answers. Key adaptations include:

  • Base Model: Qwen/Qwen2.5-0.5B-Instruct

  • Fine-Tuning Method: GRPO (reinforcement learning with custom reward functions)

  • Dataset: GSM8K – a collection of challenging grade-school math problems

  • Generation Engine: Utilizes vLLM for faster inference on a single GPU setup

  • Precision: BF16 training for efficiency on Colab GPUs

  • Developed by: Davut Emre Taşar

  • License: Please refer to the license of the base model on its Hugging Face Hub page

Model Sources

Uses

Intended Use

This model is intended for educational and research purposes, particularly to demonstrate and support math problem solving with clear, step-by-step reasoning. It is well-suited for:

  • Generating structured explanations for math problems.
  • Serving as a lightweight assistant in educational applications focused on math reasoning.

Out-of-Scope Use

  • High-Stakes Decision Making: This model is not designed for critical decision making.
  • Non-Math Domains: Its performance is tailored to math problems; performance on other domains may be limited.
  • Over-Reliance on Automated Reasoning: The reward functions used during fine-tuning (e.g., exact string matching) may not capture all nuances, so human oversight is recommended.

Bias, Risks, and Limitations

  • Model Size: With only 0.5B parameters, it may not perform as robustly as larger models.
  • Training Duration: Fine-tuning was performed for a single epoch; further training might be needed for more challenging tasks.
  • Reward Function Limitations: The custom reward functions (checking for correct formatting and numerical correctness) are heuristic and may occasionally miss subtleties in reasoning.
  • Generalization: The structured format (with <reasoning> and <answer> tags) is enforced during training and may require adaptation for other use cases.

Recommendations

Users should:

  • Validate model outputs on a case-by-case basis.
  • Consider further fine-tuning for domain-specific applications.
  • Use the model as a supplementary tool rather than the sole resource for critical math reasoning tasks.

How to Get Started with the Model

Below is an example code snippet to load and use the model:

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_name = "emre/Qwen-0.5B-GRPO"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16).to("cuda")

# Example prompt: structured with <reasoning> and <answer> tags.
prompt = """<reasoning>
Step-by-step reasoning:
</reasoning>
<answer>
"""
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_length=300)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

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
0f9ffa2

0 моделей