/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,2 млрд
Размер весов
6,4 ГБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
Llama-3.2-3B-Instruct
Библиотека
transformers
Опубликована
20 авг 2026

RLCR-llama32-3B-bigmathdigits5000

Генерация текстаТекст → текст3 профессии

Дообученная Llama 3.2 3B для математических рассуждений с вербализованной и калиброванной оценкой уверенности.

53скачиваний за 30 дней0лайковвеса обновлены20 авг 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

RLCR-llama32-3B-bigmathdigits5000 — дообученная модель Meta Llama 3.2 3B Instruct, созданная с применением RLCR (Reinforcement Learning with Calibration Rewards) на наборе Big-Math-digits. Она предназначена для генерации ответов и математических рассуждений с выраженной оценкой уверенности: обучение добавляет награду на основе Brier score за калибровку словесно выраженной уверенности наряду с наградой за правильность.

Модель имеет плотную архитектуру LlamaForCausalLM, около 3,2 млрд параметров, принимает текст и выдаёт текст. Контекст составляет до 131 072 токенов; базовая модель мультиязычная, но описание обучения сосредоточено на математических задачах. В README приведены результаты на отложенной выборке: точность 0,287, ECE 0,185 и PCE 0,171; LoRA применялась к q_proj и v_proj с рангом 16, alpha 32 и dropout 0,05.

Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и лицензией базовой модели.

Сценарии применения

  • решение математических задач с указанием уверенности в ответе
  • сравнение правильности ответов и заявленной моделью уверенности
  • эксперименты по калибровке уверенности языковых моделей
  • оценка математических рассуждений на наборе Big-Math-digits

Ограничения

На отложенной выборке README сообщает точность 0,287, ECE 0,185 и PCE 0,171, поэтому качество на математических задачах ограничено и уверенность следует интерпретировать с учётом этих метрик. Лицензия указана как other; проверьте условия карточки и базовой модели перед использованием.

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

RLCR-llama32-3B-bigmathdigits5000

This model is Llama-3.2-3B-Instruct trained with RLCR (Reinforcement Learning with Calibration Rewards, Damani et al. 2026) on Big-Math-digits: adds a Brier-score-based reward on verbalized confidence to the correctness reward, jointly optimizing reasoning and calibration.

Results

MetricValue
Accuracy (held-out)0.287
ECE0.185
PCE0.171
Brier score0.242
AUROC0.583

Table 4 of the paper. Confidence source for the Llama-3.2-3B RLCC curricula.

LoRA

LoRA target modules: PEFT architecture default for Llama (q_proj, v_proj only).

Rank 16, alpha 32, dropout 0.05.

Training details

  • Algorithm: GRPO, 1 epoch, per-device batch size 1, KL penalty β = 0, AdamW (8-bit), max grad norm 1.0.
  • Dataset: mehuldamani/big-math-digits, 5,000 training samples, 1,000 held-out for evaluation.
  • Rollouts: vLLM, temperature 0.7, 32 generations per prompt, effective rollout batch size 1,024.
  • Learning rate: 5e-6, linear schedule, warmup ratio 0.20.
  • Max response length: 1,024 tokens.
  • Answer judging: rule-based (exact match on extracted final answer).
  • Compute: single RTX 3090 (16-36 GPU-hours) except Qwen3-4B (single A100, 13-19 GPU-hours).

Citation

This checkpoint accompanies the paper "Confidence as Curriculum: Reinforcement Learning for Joint Reasoning and Calibration" (currently under anonymous peer review). A formal citation will be added once the paper is public. It builds directly on:

@inproceedings{damani2026rlcr,
  title     = {Beyond Binary Rewards: Training {LM}s to Reason about their Uncertainty},
  author    = {Damani, Mehul and Puri, Isha and Slocum, Stewart and Shenfeld, Idan and Choshen, Leshem and Kim, Yoon and Andreas, Jacob},
  booktitle = {The Fourteenth International Conference on Learning Representations},
  year      = {2026}
}

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
152c7bf

0 моделей