/ Модель

Характеристики

Размер весов
7,7 ГБ
Лицензия
Apache 2.0
Архитектура
mistral3 · dense
Базовая модель
Ministral-3-3B-Reasoning-2512
Опубликована
31 июл 2026

ministral-3-3b-glm-distillation

Изображение и текст → текст3 профессии

Дообученная Ministral-3 на 3 млрд параметров для решения логических головоломок и выдачи кратких структурированных рассуждений.

63скачиваний за 30 дней1лайквеса обновлены1 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 «Изображение → 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

ertghiu256/ministral-3-3b-glm-distillation — дообученная модель на архитектуре Ministral-3 с 3 млрд параметров, созданная на базе Ministral-3-3B-Reasoning-2512. Она предназначена для логических головоломок, математических задач и пошаговых объяснений. Обучение включало SFT на наборе GLM-5.2-Logic-Puzzles и GRPO; ответы оформляются блоками [THINK] и [SOLUTION]. README описывает текстовый режим работы, тогда как метаданные Hugging Face указывают задачу image-text-to-text и наличие vision-возможностей; поэтому репозиторий классифицирован как мультимодальный.

Сценарии применения

  • решение логических головоломок
  • пошаговое объяснение логических задач
  • решение учебных математических задач
  • получение краткого структурированного ответа

Ограничения

Качество решения математических задач ограничено обучением с наградой на основе строкового совпадения; результаты чувствительны к параметрам генерации. Возможны ошибки в рассуждениях и циклическая перепроверка.

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

Model Card: Ministral-3-GLM-Distilled-R1

Model Overview

Model Name: Ministral-3-GLM-Distilled-R1
Base Model: mistralai/Ministral-3B
Model Type: Causal Language Model (Text-Only)
Architecture: Ministral-3 (3B parameters) – vision layers frozen
Training Method: Supervised Fine-Tuning (SFT) + Group Relative Policy Optimization (GRPO)


Model Description

This model is a distilled reasoning engine fine-tuned from GLM-5.2 logic puzzles and reinforced with GRPO to produce concise, structured reasoning. It uses a [THINK]...[/THINK] block for reasoning and a [SOLUTION]...[/SOLUTION] block for the final answer.

The model is designed for tasks requiring:

  • Logical reasoning
  • Mathematical problem-solving
  • Step-by-step explanation
  • Concise, structured outputs

Model Details

AttributeValue
ArchitectureMinistral-3 (3B) with LoRA adapters
Context Length4096 tokens
Vocabulary131,072 tokens
Training DataGLM-5.2 Logic Puzzles (860 examples) + 100 synthetic reasoning examples
Total Training Examples919 (after filtering)
LoRA Rank8
Trainable Parameters24.7M (0.64% of total)
Training Steps (SFT)120 (2 epochs)
Training Steps (GRPO)50

Training Procedure

Phase 1: Supervised Fine-Tuning (SFT)

  • Dataset: ianncity/GLM-5.2-Logic-Puzzles + synthetic [THINK] examples
  • Filtering: Removed examples >2048 tokens
  • Loss: Converged from ~11.2 to ~0.38
  • Format: [THINK]...[/THINK] + final answer

Phase 2: GRPO Reinforcement Learning

  • Dataset: open-r1/Big-Math-RL-Verified-Processed (100 examples)
  • Reward Functions:
    • Format compliance (1.0 for exact [THINK]/[/THINK] tags)
    • Correctness (string match – improved in v2)
  • Hyperparameters:
    • Learning rate: 5e-6
    • num_generations: 4
    • KL beta: 0.001
    • Temperature: 0.8 (training)

Usage

Default System Prompt (Critical)

# HOW YOU SHOULD THINK AND ANSWER

First draft your thinking process (inner monologue) until you arrive at a response. Do NOT overthink, immediately stop if you are checking your answer more than 2 times. Format your response using Markdown, and use LaTeX for any mathematical equations. Write both your thoughts and the response in the same language as the input.

Your thinking process must follow the template below:
[THINK]Your concise thoughts, like working through an exercise on scratch paper. Be as casual and as long as you want until you are confident to generate the response to the user.[/THINK]
Here, provide a self-contained response.
Put your final short answer inside [SOLUTION] and [/SOLUTION]

Recommended Sampling Parameters

ParameterValue
temperature0.5
top_k40
top_p0.9
min_p0.1
repetition_penalty1.2
max_new_tokens4096

Strengths and Limitations

Strengths

  • Concise Reasoning: Outputs are ~1500 tokens – 2× shorter than the SFT version.
  • Structured Format: Consistently produces [THINK] and [SOLUTION] blocks.
  • Logic Puzzle Mastery: Handles ambiguity and multiple solutions well.
  • Self‑Correction: Can catch and fix errors in reasoning.

Limitations

  • Math Handling: Limited – reward function was string‑based (string match), not math‑aware.
  • Sampling Sensitivity: Output quality depends on specific sampling parameters.
  • Looping: Can over‑verify at low temperature; system prompt is critical.
  • Hallucination: May mis‑evaluate statements (e.g., calling true as false).

When to Use This Model

Use CaseRecommended
Logic puzzles✅ Yes
Step‑by‑step reasoning✅ Yes
Concise explanations✅ Yes
Mathematical computation⚠️ Limited (use with math-verify post‑processing)
Long‑form reasoning✅ Yes (with 4096 token limit)

Training Costs

PhaseStepsDuration (estimated)
SFT120~2 hours
GRPO50~1.5 hours

Considerations

  • This model is designed for reasoning tasks and should not be used for:

    • Medical diagnosis
    • Financial advice
    • Legal decisions
    • Generating harmful or deceptive content
  • Hallucinations are possible. Always verify critical outputs manually.


Uploaded finetuned model

  • Developed by: ertghiu256
  • License: apache-2.0
  • Finetuned from model : ertghiu256/ministral-3-3b-glm-distillation-test

This mistral3 model was trained 2x faster with Unsloth and Huggingface's TRL library.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Mistral3ForConditionalGeneration
Ревизия весов
6e8e8d9

0 моделей