/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
OpenMath-Nemotron-1.5B
Библиотека
transformers
Опубликована
31 окт 2025

JustRL-Nemotron-1.5B

Генерация текстаТекст → текст3 профессии

Модель JustRL на базе OpenMath-Nemotron-1.5B, дообученная для решения математических задач и генерации текстовых рассуждений.

134скачиваний за 30 дней3лайкавеса обновлены29 дек 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

JustRL-Nemotron-1.5B — языковая модель для математических рассуждений, созданная авторами проекта JustRL на основе OpenMath-Nemotron-1.5B от NVIDIA. Модель дообучена методом GRPO в один этап с фиксированными гиперпараметрами и бинарной наградой за правильный ответ на задачах из DAPO-Math-17k.

Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и принимает текстовые запросы, выдавая текстовые решения. Метаданные указывают контекст до 131 072 токенов; в описании обучения указан лимит в 16 тыс. токенов, а пример запуска vLLM задаёт максимум 32 768 токенов. Карточка сообщает о результатах на математических бенчмарках, включая среднее 64,32% по девяти наборам тестов и лидерство на пяти из них в приведённом сравнении.

Модель предназначена прежде всего для решения и объяснения математических задач. Её метод проверки награды основан на сопоставлении строк без SymPy, поэтому карточка не подтверждает формальную проверку эквивалентности ответов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение олимпиадных математических задач
  • пошаговое объяснение математических решений
  • генерация ответов для математических бенчмарков

Ограничения

Карточка описывает оценку на математических бенчмарках, но не приводит сведений о качестве на иных типах задач. При обучении использовался строковый проверяющий механизм без SymPy, что может ограничивать распознавание математически эквивалентных форм ответа.

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

Overview

JustRL demonstrates that competitive reinforcement learning performance for small language models doesn't require complex multi-stage pipelines or dynamic schedules. Using a minimal recipe with single-stage training and fixed hyperparameters, we achieve state-of-the-art results on mathematical reasoning tasks.

We release two models:

Both models use identical hyperparameters without per-model tuning, demonstrating the robustness of our approach.

The AIME24 performance curve for scaling from a weak base DeekSeek-R1-Distill-Qwen-1.5B and a strong base OpenMath-Nemotron-1.5B over thousands of steps.

Key Highlights

✨ Simplicity: Single-stage training with fixed hyperparameters, without multi-stage pipelines or dynamic schedules

📈 Stability: Smooth, monotonic improvement over 4,000+ training steps without collapses or oscillations

🎯 Performance: State-of-the-art results at 1.5B scale, matching or exceeding more complex approaches

💰 Efficiency: Comparable or better performance with 2× less compute than multi-stage methods

🔓 Open: Complete evaluation scripts, and model weights released

Performance

JustRL-DeepSeek-1.5B (Based on DeepSeek-R1-Distill-Qwen-1.5B)

ModelAIME24 (@32)AIME25 (@32)AMC23 (@32)MATH-500 (@4)Minerva (@4)OlympiadBench (@4)HMMT25 (@32)BRUMO25 (@32)CMIMC25 (@32)Avg
DeepSeek-R1-Distill-1.5B29.9022.4063.8284.9034.6545.9513.4430.9412.8937.65
DeepScaleR-1.5B-Preview40.2128.6573.8389.3039.3452.7918.9640.0021.0044.88
ProRL-V251.8735.7388.7592.0049.0367.8419.3847.2925.8653.08
BroRL57.5036.88/92.1449.0861.54////
JustRL-DeepSeek-1.5B52.6038.7591.0291.6551.4767.9921.9852.7125.6354.87

Besides, the real question is whether our simplicity comes at a computational cost. It doesn't. We match half of ProRL-V2's compute budget while using a single-stage recipe with fixed hyperparameters. BroRL requires 4.9× more compute by increasing rollouts to 512 per example, essentially exhaustively exploring the solution space. Our approach achieves competitive performance without this computational overhead.

JustRL-Nemotron-1.5B (Based on OpenMath-Nemotron-1.5B)

ModelAIME24 (@32)AIME25 (@32)AMC23 (@32)MATH-500 (@4)Minerva (@4)OlympiadBench (@4)HMMT25 (@32)BRUMO25 (@32)CMIMC25 (@32)Avg
OpenMath-Nemotron-1.5B58.7548.4490.5592.4026.9371.7030.1061.6730.0856.74
QUESTA-Nemotron-1.5B71.5662.0893.4492.9532.0872.2840.9467.5041.4863.81
JustRL-Nemotron-1.5B69.6962.9296.0294.1530.2476.5940.6366.8841.7264.32

We achieve 64.32% average, slightly outperforming QuestA's 63.81% and leading on five of nine benchmarks. The gap is narrow, which makes sense—both approaches are pushing the boundaries of what's achievable at 1.5B scale. The key difference is in how we get there. We use 2× less compute while achieving slightly better average performance without designing a complex curriculum as used in QuestA.

Training Recipe

Our approach is deliberately minimal:

Core Algorithm: Standard GRPO with binary outcome rewards

  • Reward: Simple DAPO verifier (string-matching, no SymPy)
  • Training: Single-stage, no curriculum or stage transitions
  • Hyperparameters: Fixed throughout (no adaptive schedules)
  • Data: DAPO-Math-17k without filtering or dynamic sampling
  • Length Control: 16K context cap (no explicit penalties)
  • Stabilization: Only "clip higher" for gradient stability

Detail hyperparameters and comparisons on training techniques with other methods can refer to our paper.

Training Data

We train on DAPO-Math-17k, a curated dataset of mathematical problems. No offline difficulty filtering or online dynamic sampling is used.

Usage

Basic Inference

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "hbx/JustRL-Nemotron-1.5B"  # or JustRL-DeepSeek-1.5B
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = """<problem>

Please reason step by step, and put your final answer within \\boxed{}."""

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)
outputs = model.generate(
    **inputs,
    max_new_tokens=16384,
    temperature=0.7,
    top_p=0.9,
    do_sample=True
)

response = tokenizer.decode(outputs[0][len(inputs[0]):], skip_special_tokens=True)
print(response)

Batch Inference with vLLM

from vllm import LLM, SamplingParams

llm = LLM(
    model="hbx/JustRL-Nemotron-1.5B",
    tensor_parallel_size=1,
    max_model_len=32768
)

sampling_params = SamplingParams(
    temperature=0.7,
    top_p=0.9,
    max_tokens=16384,
)

problems = [...]  # Your list of problems
responses = llm.generate(problems, sampling_params)

Reproduction

We provide evaluation scripts based on POLARIS, the evaluation script is here.

Citation

@article{he2025justrl,
  title={JustRL: Scaling a 1.5 B LLM with a Simple RL Recipe},
  author={He, Bingxiang and Qu, Zekai and Liu, Zeyuan and Chen, Yinghao and Zuo, Yuxin and Qian, Cheng and Zhang, Kaiyan and Chen, Weize and Xiao, Chaojun and Cui, Ganqu and others},
  journal={arXiv preprint arXiv:2512.16649},
  year={2025}
}

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
9c904d0

0 моделей