/ Модель

Характеристики

Контекст
8 192 токена
Параметры
134 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-135M-Instruct
Библиотека
transformers
Опубликована
17 сен 2026

nlp-2026-hanoi-sft-50

Генерация текстаТекст → текст3 профессии

Производная модели ivykopal/nlp-2026-hanoi-sft. Компактная дообученная SmolLM2 генерирует последовательности ходов для «Ханойской башни» и служит исследовательской базой для изучения SFT и обобщения на более длинные решения.

175скачиваний за 30 дней0лайковвеса обновлены17 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

Карточка модели ivykopal/nlp-2026-hanoi-sft-50 на Hugging Face совпадает с карточкой ivykopal/nlp-2026-hanoi-sft, поэтому описание составлено по ней.

Компактная языковая модель на архитектуре Llama с 134,5 млн параметров, созданная авторами NLP 2026 полным дообучением SmolLM2-135M-Instruct. Она генерирует последовательность ходов для головоломки «Ханойская башня»: один ход на строку в формате вроде A->C. Модель обучалась имитировать оптимальные траектории, включая демонстрации с 20% искусственно испорченных траекторий. Контекст составляет 8192 токена; поддерживается английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Модель предназначена для исследований и обучения: изучения влияния шума в демонстрациях, переноса на более длинные решения и использования в качестве SFT-базовой модели для GRPO/GSPO. На задачах с 3–5 дисками доля полностью решённых головоломок на отложенных перестановках составляла 0,60. При переходе с обучающих примеров до 5 дисков на 6 дисков модель выдаёт 31 легальный ход вместо требуемых 63 и не решает головоломку. Это специализированная модель, а не универсальный ассистент.

Сценарии применения

  • генерация последовательности ходов для «Ханойской башни»
  • оценка способности языковой модели решать головоломки с отложенными перестановками
  • изучение влияния испорченных демонстраций на качество генерации
  • исследование переноса на головоломки с большим числом дисков
  • использование как SFT-базы или начальной модели для экспериментов GRPO/GSPO

Ограничения

Обучение охватывало решения максимум для пяти дисков: для шести дисков модель останавливается после 31 легального хода вместо необходимых 63. На обучении использовались демонстрации с 20% испорченных траекторий, а модель предназначена только для генерации ходов «Ханойской башни».

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

SmolLM2-135M · Tower of Hanoi (flat SFT, full fine-tuning)

A full fine-tune of HuggingFaceTB/SmolLM2-135M-Instruct that produces a full Tower of Hanoi solution in a single generation — one move per line, e.g. A->C. The FFT baseline from the NLP 2026 fine-tuning / RL comparison (examples/sft/fft.ipynb).

This is the flat format baseline. It is trained to imitate optimal trajectories, so it inherits the per-move error of its demonstrations and exhibits a hard length prior: trained on at most 31-move (5-disk) solutions, it emits exactly 31 legal moves for a 63-move (6-disk) puzzle and stops. That is why extrapolation solved-rate is 0%.

Training

value
Base modelSmolLM2-135M-Instruct
Methodfull fine-tuning (FFT)
Label noise20% corrupted trajectories
Train disk counts3–5
Saved withtransformers 4.57.6

The supervised targets carry 20% corrupted demonstrations: an optimal trajectory with one move swapped, replaced, deleted or inserted. The model can only imitate that distribution, so it inherits a per-move error rate that compounds over the move chain.

Evaluation (greedy, one generation per puzzle)

disksheldout solvedextrapolation solved
30.79—
40.36—
50.67—
6—0.00
overall0.600.00

solved = the trajectory moved every disk to the target peg.

Heldout (3–5 disks, unseen peg permutations): 0.60 solved. Extrapolation (6 disks, strictly longer than training): 0.00 solved. This is the length-prior failure mode, not accumulated error — the model emits a well-formed, fully legal answer of the wrong length and stops.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("ivykopal/nlp-2026-hanoi-sft")
tokenizer = AutoTokenizer.from_pretrained("ivykopal/nlp-2026-hanoi-sft")

system = (
    "You are an expert algorithmic problem solver. "
    "Solve the Tower of Hanoi puzzle optimally. "
    "Return ONLY one move per line in the format 'A->C'. "
    "Do not provide any explanation."
)
# Move 4 disks from peg A to peg C using peg B.
user = (
    "Solve the Tower of Hanoi puzzle.\n\n"
    "Move 4 disks from peg A to peg C using peg B.\n"
    "Return only the sequence of moves."
)

messages = [{"role": "system", "content": system}, {"role": "user", "content": user}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
out = model.generate(inputs, max_new_tokens=576, do_sample=False)
print(tokenizer.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))
# A->B
# A->C
# ...

Decode greedily (do_sample=False). max_new_tokens must fit the longest solution you evaluate — 6 disks needs 63 moves (~251 tokens).

Intended use

Research and education: a tiny, fully reproducible fine-tune for studying demonstration-noise propagation, length-extrapolation failure, and as the SFT baseline / cold start for GRPO/GSPO. Not a general assistant — it only produces Tower of Hanoi move sequences.

License

Apache-2.0 (inherited from the base model).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
520e8bc

0 моделей