/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
11,7 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B
Библиотека
transformers
Опубликована
20 июн 2026

qwen2.5-3b-countdown-grpo

Генерация текстаТекст → текст3 профессии

Дообученная GRPO модель Qwen2.5-3B для составления выражений Countdown из заданных чисел с целью получить заданный результат.

26скачиваний за 30 дней0лайковвеса обновлены20 июн 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

Qwen2.5-3B Countdown GRPO (iteration 300) — дообученная leon2k2k2k модель на базе Qwen/Qwen2.5-3B, обученная методом GRPO с проверяемой наградой на задаче Countdown. Обучение начато непосредственно с базовой модели, без этапа SFT; архитектура — плотная Qwen2, около 3,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации решений Countdown: нужно составить выражение из заданных чисел, используя каждое ровно один раз, чтобы получить целевое число.

В описанных автором испытаниях GRPO повысил точность для задач на сложение и вычитание, но модель не справилась с примерами, требующими умножения. Поэтому результаты относятся к ограниченной арифметической задаче и не подтверждают надёжность для общего математического рассуждения. Для запуска README приводит загрузку через Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Сценарии применения

  • Решение задач Countdown на сложение и вычитание
  • Подбор выражения из заданных чисел для получения целевого числа
  • Исследование влияния GRPO на арифметические способности языковой модели

Ограничения

В авторских испытаниях модель не решила ни одной задачи из проверенной группы, требовавшей умножения; качество на сложении и вычитании не гарантирует надёжного общего математического рассуждения. Лицензия обозначена как other, поэтому проверьте условия использования в карточке модели.

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

Qwen2.5-3B Countdown GRPO (iteration 300)

Qwen2.5-3B-Base trained with GRPO and a verifiable reward on the Countdown task for 300 iterations, directly from the base model with no SFT.

The headline: GRPO sharpens what the base could already do (add/sub coverage rises from 54% to 94% pass@10) but drives multiplication, a skill the base almost never produced, down to 0% (the base itself barely cleared the floor on these, about 7 correct samples in 1,500). RL reinforces existing behavior; it does not install a skill the model rarely generates on its own.

Full writeup: https://leon2k2k2k.github.io/blog/2026/grpo-sft-teaching-reasoning-through-arithmetic/ Companion: SFT-then-GRPO model | SFT dataset

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("leon2k2k2k/qwen2.5-3b-countdown-grpo")
tok = AutoTokenizer.from_pretrained("leon2k2k2k/qwen2.5-3b-countdown-grpo")

The model expects the Countdown prompt format: reason inside <think> </think>, give the final equation inside <answer> </answer>.

Results

300 held-out problems (150 add/sub, 150 needs-mult), 10 samples per problem at temperature 0.7.

cellpass@1pass@10
add/sub, 3 numbers80.2%98.9%
add/sub, 4 numbers44.1%85.7%
needs-mult, 3 numbers0.0%0.0%
needs-mult, 4 numbers0.0%0.0%

Training

One H100. GRPO via nano-aha-moment, following the DeepSeek-R1 recipe. G = 4, learning rate 1e-6, KL 0.001, temperature 1.0, 1024-token budget, 300 iterations. Reward = 1.0 for a well-formed <think>/<answer> response, plus 1.0 if the equation uses each number once and equals the target.

License and attribution

This is a fine-tune of Qwen2.5-3B by the Qwen team, and is released under the same Qwen Research License. The base model and its weights are their work; this repo only adds GRPO fine-tuning on Countdown.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
44b292b

0 моделей