/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
4 апр 2025

Qwen2.5-0.5B-Instruct-Gensyn-Swarm-trotting_savage_pig

Генерация текстаТекст → текст

Дообученная диалоговая модель Qwen2.5 с 494 млн параметров для генерации текста и ответов на инструкции.

130скачиваний за 30 дней0лайковвеса обновлены30 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

ethduke/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-trotting_savage_pig — дообученная модель на основе Gensyn/Qwen2.5-0.5B-Instruct, созданная с использованием TRL. Это компактная плотная языковая модель семейства Qwen2, предназначенная для генерации текста в диалоговом формате и выполнения инструкций. В метаданных указаны 494 млн параметров и контекстное окно до 32 768 токенов.

Модель можно использовать для ответов на вопросы и генерации продолжений текста; метаданные также отмечают интерфейс вызова инструментов. В README приведён пример запуска через Transformers pipeline с CUDA. Сведения о лицензии и специальных ограничениях не представлены в предоставленных данных.

Сценарии применения

  • ответы на вопросы в диалоговом формате
  • генерация продолжения текста
  • выполнение текстовых инструкций
  • прототипирование чат-бота на компактной модели

Ограничения

Это компактная модель с 494 млн параметров, поэтому её возможности могут быть ограничены по сравнению с более крупными языковыми моделями. Лицензия и конкретные оценки качества в предоставленных данных не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Qwen2.5-0.5B-Instruct-Gensyn-Swarm-trotting_savage_pig

This model is a fine-tuned version of Gensyn/Qwen2.5-0.5B-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="ethduke/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-trotting_savage_pig", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with GRPO, a method introduced in DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models.

Framework versions

  • TRL: 0.15.2
  • Transformers: 4.50.3
  • Pytorch: 2.5.1
  • Datasets: 3.5.0
  • Tokenizers: 0.21.1

Citations

Cite GRPO as:

@article{zhihong2024deepseekmath,
    title        = {{DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models}},
    author       = {Zhihong Shao and Peiyi Wang and Qihao Zhu and Runxin Xu and Junxiao Song and Mingchuan Zhang and Y. K. Li and Y. Wu and Daya Guo},
    year         = 2024,
    eprint       = {arXiv:2402.03300},
}

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallouédec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

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
a5efce0

0 моделей