/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
DeepSeek-R1-Distill-Qwen-1.5B
Опубликована
18 мар 2025

OpenRS-GRPO

Генерация текстаТекст → текст3 профессии

Производная модели knoveleng/Open-RS2. Open-RS2 — компактная дообученная языковая модель для математических задач и генерации ответов с рассуждениями.

36скачиваний за 30 дней5лайковвеса обновлены18 мар 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 knoveleng/OpenRS-GRPO на Hugging Face совпадает с карточкой knoveleng/Open-RS2, поэтому описание составлено по ней.

Open-RS2 — языковая модель проекта Open RS, разработанного для изучения обучения рассуждениям в небольших LLM с помощью обучения с подкреплением. Это дообученная на базе DeepSeek-R1-Distill-Qwen-1.5B плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось с адаптацией GRPO. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors, лицензия — MIT.

Модель предназначена прежде всего для решения математических задач и генерации ответов с рассуждениями. В README указаны результаты на AMC23 и AIME24, а также сравнительно низкие результаты на Minerva относительно моделей 7B. Авторы отмечают нестабильность оптимизации и ограничения длины при длительном обучении; эти результаты описывают эксперименты проекта и не гарантируют качество на иных задачах.

Сценарии применения

  • решение задач математических олимпиад
  • генерация пошаговых математических рассуждений
  • ответы на задачи набора AMC23
  • ответы на задачи набора AIME24
  • эксперименты с RL-обучением рассуждениям небольших LLM

Ограничения

Авторы сообщают о нестабильности оптимизации и ограничениях длины при длительном обучении; на наборе Minerva модель уступает моделям с 7 млрд параметров. Результаты на указанных тестах не гарантируют качество для других задач.

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

Model Summary

This repository hosts model for the Open RS project, accompanying the paper Reinforcement Learning for Reasoning in Small LLMs: What Works and What Doesn’t. The project explores enhancing reasoning capabilities in small large language models (LLMs) using reinforcement learning (RL) under resource-constrained conditions.

We focus on a 1.5-billion-parameter model, DeepSeek-R1-Distill-Qwen-1.5B, trained on 4 NVIDIA A40 GPUs (48 GB VRAM each) within 24 hours. By adapting the Group Relative Policy Optimization (GRPO) algorithm and leveraging a curated, compact mathematical reasoning dataset, we conducted three experiments to assess performance and behavior. Key findings include:

  • Significant reasoning improvements, e.g., AMC23 accuracy rising from 63% to 80% and AIME24 reaching 46.7%, outperforming o1-preview.
  • Efficient training with just 7,000 samples at a cost of $42, compared to thousands of dollars for baseline models.
  • Challenges like optimization instability and length constraints with extended training.

These results showcase RL-based fine-tuning as a cost-effective approach for small LLMs, making reasoning capabilities accessible in resource-limited settings. We open-source our code, models, and datasets to support further research.

For more details, please refer our github.

Evaluation

Performance Highlights

  • Open-RS1: 53.0% avg. score
  • Open-RS2: 55.7% avg. score, 80.0% on AMC23
  • Open-RS3: 56.3% avg. score, 46.7% on AIME24 (outperforms o1-preview at 44.6%)
  • Competitive MATH-500 scores; Minerva lags behind 7B models.

Performance Metrics

Cost Efficiency

Our approach uses 7,000 samples (42,000 total outputs) and costs ~$42 on 4x A40 GPUs in 24 hours, compared to:

  • 7B models: Qwen2.5-7B-SimpleRL ($1,633), Eurus-2-7B-PRIME ($1,088)
  • 1.5B models: DeepScaleR-1.5B-Preview ($3,629), Still-3-1.5B-Preview ($2,268)

7B Model Costs
1.5B Model Costs

Citation

If this project aids your work, please cite it as:

@inproceedings{
    dang2026reinforcement,
    title={Reinforcement Learning for Reasoning in Small {LLM}s: What Works and What Doesn{\textquoteright}t},
    author={Quy-Anh Dang and Chris Ngo},
    booktitle={Logical and Symbolic Reasoning in Language Models @ AAAI 2026},
    year={2026},
    url={https://openreview.net/forum?id=3pWL6Zxc4A}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
6954fc2

0 моделей