/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
12,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
9 янв 2025

LiveMath-Judge

Генерация текстаТекст → текст3 профессии

LiveMath-Judge — дообученная на математических примерах модель для определения, эквивалентен ли ответ модели эталонному ответу.

466скачиваний за 30 дней1лайквеса обновлены10 янв 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

LiveMath-Judge — компактная модель-судья для оценки математических ответов. Её разработчики дообучили Qwen2.5-3B-Instruct на примерно 2,8 млн примеров из LiveMathBench, размеченных Qwen2.5-72B-Instruct; обучение длилось одну эпоху. Модель имеет плотную архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текстовый вопрос, эталонный ответ и ответ проверяемой модели, после чего выдаёт «yes», если ответы эквивалентны, и «no», если нет.

Модель предназначена для автоматической проверки математических ответов и оценки согласованности с эталоном, например в бенчмарках и системах оценки генеративных моделей. В карточке указаны контекст до 32 768 токенов, поддержка английского языка и лицензия Apache-2.0. Результаты LiveMath-Judge на части приведённых в README сравнений выше, чем у Qwen2.5-72B-Instruct как судьи, но на примере Llama-3.1-8B-Instruct ниже; эти результаты не гарантируют качество на других данных. Модель унаследовала основу Qwen2.5-3B-Instruct, поэтому её выводы могут зависеть от формулировки ответа и не заменяют проверку математического доказательства.

Сценарии применения

  • проверка эквивалентности математического ответа эталону
  • автоматическая оценка ответов моделей в математических бенчмарках
  • подсчёт правильных ответов в экспериментах с генеративными моделями

Ограничения

Модель выдаёт бинарную оценку эквивалентности и может не распознавать корректные альтернативные формулировки или ошибки в самом эталоне. Приведённые в README результаты относятся к конкретному набору сравнений и не гарантируют качество на других задачах.

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

LiveMath-Judge

Introduction

LiveMath-Judge is a mathematical judge model for evaluating the consistency of the model-generated answer and the golden answer. Given the question, golden answer, and model-generated answer as input, LiveMath-Judge will output yes for the equivalent answer, and no for the inequal answer.

To train LiveMath-Judge, we collect about 2.8 million data in LiveMathBench judged by Qwen2.5-72B-Instruct, and finetune Qwen2.5-3B-Instruct for one epoch with learning-rate of 5e-6.

Use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# load the model and tokenizer
model = AutoModelForCausalLM.from_pretrained(
    'jnanliu/LiveMath-Judge', 
    device_map='auto', 
    torch_dtype=torch.bfloat16, 
)
tokenizer = AutoTokenizer.from_pretrained(
    'jnanliu/LiveMath-Judge', 
    trust_remote_code=True
)

question = 'In $\\triangle ABC$, given $\\cos C = \\frac{\\sin A + \\cos A}{2} = \\frac{\\sin B + \\cos B}{2}$, find the value of $\\sin C$.'
golden_answer = '$\\frac{3}{4}$'
generated_answer = '\\frac{3}{4}'
prompt = '''Please act as an expert in grading mathematics exam papers, and judge whether the following answers match the standard answers, i.e., whether the examinee answered correctly. Here are some evaluation criteria:

1. Some answers may contain multiple parts, such as single-choice questions, multiple-choice questions, fill-in-the-blank questions, and problem-solving questions. As long as the answer matches the standard answer, it is considered correct. For multiple-choice questions and fill-in-the-blank questions with multiple blanks, the examinee must answer all corresponding options or blanks correctly to be considered correct.
2. Some answers may be expressed in different ways; for example, some answers may be mathematical expressions, while others may be textual descriptions. As long as the meaning conveyed is consistent, it is considered correct. Additionally, some formulas may be expressed differently but are equivalent, which is also considered correct.
3. You do not need to recalculate the problem answers, as the standard answers are already provided. You only need to judge whether the examinee's answer matches the standard answer based on the form of the question and whether it is correct.

Please judge whether the following answer matches the standard answer according to the above criteria. If they match, output \\boxed{{yes}}, otherwise output \\boxed{{no}}. If it is difficult to judge, also output \\boxed{{no}}.
Original Question: {question}
Standard Answer: {gold_answer}
Examinee's Answer: {answer}

Analysis:
'''
# prompt for chinese questions
# prompt = '''请你作为一个数学阅卷专家,判断下面的答案是否与标准答案一致,即考生是否回答正确。下面是一些评判标准:
# 1. 有些答案可能包含多项内容,可能有单选题,多选题,填空题和问答题,只要答案与标准答案一致即可, 对于多选题和多个空的填空题,需要考生对应的选项或空都回答正确才算正确。
# 2. 有些答案可能通过不同的方式表达,比如有些答案可能是一个数学表达式,有些答案可能是一个文字描述,只要表达的意思一致即可。且有些公式通过不同的方式表达,但等价,也是正确的。
# 3. 你不需要重新计算问题答案,因为标准答案已经给出,只需要根据问题形式来判断考生的答案是否与标准答案一致,是否正确即可。

# 请你根据上述标准,判断下面的答案是否与标准答案一致,如果一致,请在最后输出\\boxed{{yes}}, 否则输出\\boxed{{no}}, 如果难以判断,请输出\\boxed{{no}}.
# 原问题:{question}
# 标准答案:{gold_answer}
# 考生答案:{answer}

# 分析:
# '''

conversations = [
  {'role': 'user', 'content': prompt.format(question=question, gold_answer=golden_answer, answer=generated_answer)}
]
inputs = tokenizer.apply_chat_template(conversations, return_tensors='pt')

# do inference
pred = model.generate(
    input_ids=inputs['input_ids'].to(model.device),
    attention_mask=inputs['attention_mask'].to(model.device),
    num_return_sequences=1,
)[0].cpu().tolist()
response = tokenizer.decode(pred, skip_special_tokens=True)
# \\boxed{yes}

Performance

Following is the mG-Pass@16 results of Qwen2.5-72B-Instruct-as-Judge and LiveMath-Judge-as-Judge of 10 models.

modelQwen2.5-72B-InstructLiveMath-Judge
Qwen2.5-7B-Instruct26.4528.17
Qwen2.5-Math-7B-Instruct37.9139.54
Llama-3.1-8B-Instruct10.439.29
Llama-3.1-70B-Instruct21.3722.12
Llama-3.3-70B-Instruct27.3630.47
Mistral-Large-Instruct-241136.6636.67
Qwen2.5-32B-Instruct39.0937.84
Qwen2.5-72B-Instruct38.5237.57
deepseek-math-7b-rl14.0114.13
Qwen2.5-Math-72B-Instruct43.8042.10

Related Citation

@article{liu2024your,
  title={Are Your LLMs Capable of Stable Reasoning?},
  author={Liu, Junnan and Liu, Hongwei and Xiao, Linchen and Wang, Ziyi and Liu, Kuikun and Gao, Songyang and Zhang, Wenwei and Zhang, Songyang and Chen, Kai},
  journal={arXiv preprint arXiv:2412.13147},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2Model
Ревизия весов
39a16d9

0 моделей