/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Размер весов
7,7 ГБ
Лицензия
Своя лицензия
Архитектура
phi3 · dense
Базовая модель
Phi-4-mini-instruct
Библиотека
transformers
Опубликована
20 авг 2026

RLCR-phi4mini-bigmathdigits5000

Генерация текстаТекст → текст3 профессии

Дообученная на Big-Math-digits модель Phi-4-mini для решения математических задач с выражением и калибровкой уверенности.

56скачиваний 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-phi4mini-bigmathdigits5000 — дообученная с помощью RLCR модель Microsoft Phi-4-mini-instruct, представленная автором juwon1105. В ходе обучения на наборе Big-Math-digits к награде за правильность ответов добавлялась награда на основе оценки Брайера за выраженную словами уверенность, чтобы одновременно улучшать математические рассуждения и калибровку уверенности.

Модель предназначена для генерации текстовых ответов на математические задачи с цифрами, включая рассуждения и оценку уверенности. Это плотная авторегрессионная архитектура семейства Phi-3 с 3,8 млрд параметров и контекстом 4096 токенов; в README также указана конфигурация LoRA с рангом 16. На тестовой выборке README приводит точность 0,414 и ECE/PCE по 0,439, что указывает на ограничения точности и калибровки. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой моделью.

Сценарии применения

  • Решение математических задач с цифрами
  • Генерация текстовых рассуждений к математическому ответу
  • Оценка уверенности модели в математическом ответе

Ограничения

В README для тестовой выборки указаны точность 0,414 и ECE/PCE по 0,439; результаты ограничены описанным набором математических задач. Лицензия обозначена как other, поэтому применимые условия следует проверить отдельно.

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-phi4mini-bigmathdigits5000

This model is Phi-4-mini-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)0.414
ECE0.439
PCE0.439
Brier score0.427
AUROC0.652

Table 4 of the paper. Confidence source for the Phi-4-mini RLCC curricula.

LoRA

LoRA target modules: qkv_proj, o_proj, gate_up_proj, down_proj (explicitly specified).

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
Phi3ForCausalLM
Ревизия весов
771e261

0 моделей