/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
6 апр 2026

Qwen3-1.7B-GRPO-KL-math-reasoning

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen3-1.7B для пошагового решения арифметических и математических задач.

704скачиваний за 30 дней0лайковвеса обновлены20 апр 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

jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning — дообученная модель Qwen3-1.7B от jaygala24, предназначенная для генерации текста с пошаговыми рассуждениями при решении математических задач. Обучение методом GRPO с KL-штрафом проводилось с помощью PipelineRL на наборах GSM8K и MATH; модель имеет архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и использует формат safetensors. Нативная длина контекста — 40 960 токенов.

Модель подходит для решения арифметических задач и задач математических тестов, а также для диалогового взаимодействия на эту тему. В карточке приведены результаты pass@k на GSM8K и MATH-500 при генерации 32 вариантов ответа на задачу. Модель распространяется по лицензии Apache-2.0. Эти результаты относятся к указанным тестам и настройкам генерации и не гарантируют точность на других задачах; модель унаследовала общие ограничения базовой языковой модели.

Сценарии применения

  • решение текстовых арифметических задач уровня GSM8K
  • пошаговое решение задач из математических тестов
  • генерация нескольких вариантов решения для выбора ответа
  • диалоговые ответы на вопросы по математике

Ограничения

Опубликованные метрики относятся к GSM8K и MATH-500 при генерации до 32 вариантов и не позволяют судить о точности на иных типах задач. Модель может ошибаться в рассуждениях и ответах.

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

Qwen3-1.7B-GRPO-KL-math-reasoning

This model is a fine-tuned version of Qwen3-1.7B using GRPO (Group Relative Policy Optimization) with KL penalty for mathematical reasoning.

Trained with PipelineRL.

Training Details

Datasets

SplitDatasets
Traingsm8k_train, math_train
Testgsm8k_test, math_500

RL Algorithm

ParameterValue
AlgorithmGRPO (Group Relative Policy Optimization)
Policy Lossppo
KL Coefficient0.001
Epsilon (clip)0.02
Divide Advantage by StdFalse
Filter Zero Advantage GroupsFalse
Rollouts per Problem16

Training Hyperparameters

ParameterValue
Base ModelQwen/Qwen3-1.7B
Learning Rate1e-06
LR Schedulercosine
Warmup Steps25
Max Training Steps1500
Micro Batch Size4
Gradient Accumulation64
Effective Batch Size256
Sequence Length8192
Gradient Clipping0.3
Weight Decay0.01
Optimizeradamw_torch
Precisionbf16
DeepSpeedZeRO Stage 3

Evaluation Results

Pass@k on math reasoning benchmarks (N=32 samples per problem, temperature=1.0):

Datasetpass@1pass@2pass@4pass@8pass@16pass@32
GSM8K (test)80.0786.1290.1592.7694.4795.75
MATH-50069.6477.5483.4787.9791.1693.60
Overall77.2083.7688.3291.4493.5695.16

GSM8K test: 1318 problems · MATH-500: 500 problems · Overall: 1818 problems (overall weighted by problem count).

Training Curves

Training Metrics

W&B Run

Full training logs: https://wandb.ai/jaygala24-team/rl-post-training/runs/qwen3_1.7b_grpo_with_kl_2a1p1f_4xh100_197368_finetune_12a34277

Usage

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning", revision="step-0200")  # or whatever branch name, e.g. "step-0400", "step-0600"
tokenizer = AutoTokenizer.from_pretrained("jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning", revision="step-0200")  # or whatever branch name, e.g. "step-0400", "step-0600"

prompt = "Please reason step by step, and put your final answer within \\boxed{{}}.\n\nWhat is the sum of 123 and 456?"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=4096, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

vLLM

from vllm import LLM, SamplingParams

llm = LLM(model="jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning", revision="step-0200")  # or whatever branch name, e.g. "step-0400", "step-0600"
sampling_params = SamplingParams(temperature=0.7, max_tokens=4096)

prompt = "Please reason step by step, and put your final answer within \\boxed{}.\n\nWhat is the sum of 123 and 456?"
outputs = llm.generate([prompt], sampling_params)
print(outputs[0].outputs[0].text)

Framework

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
851ee85

0 моделей