/ 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-sft-grpo

Генерация текстаТекст → текст

Экспериментальная модель на базе Qwen2.5-3B для генерации решений арифметических задач Countdown, которая лучше справляется со сложением и вычитанием, чем с умножением.

23скачиваний 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 SFT-then-GRPO — экспериментальная языковая модель leon2k2k2k, дообученная на базе Qwen/Qwen2.5-3B в два этапа: supervised fine-tuning на решениях задач на умножение, затем обучение методом GRPO в течение 300 итераций. Модель предназначена для генерации решений арифметических задач Countdown с операциями сложения, вычитания и умножения. Архитектура — плотная Qwen2 с 3,1 млрд параметров; контекст — до 32 768 токенов. В метаданных указан английский язык.

На тесте из 300 задач модель показала pass@1 87,0% для сложения и вычитания с тремя числами и 43,8% с четырьмя числами; для задач, требующих умножения, результат составил 0%. Дообучение восстановило часть способности решать задачи на сложение и вычитание, но не сохранило навык умножения, приобретённый на этапе SFT; разнообразие ответов при нескольких попытках также ограничено. Модель загружается через Transformers из формата safetensors. Лицензия в метаданных указана как other, конкретные условия использования в карточке не приведены.

Сценарии применения

  • решение задач Countdown на сложение и вычитание
  • генерация пошаговых решений арифметических задач
  • эксперименты с GRPO и SFT для математического рассуждения

Ограничения

На тесте задачи, требующие умножения, не решались (pass@1 и pass@10 — 0%); разнообразие ответов при повторных генерациях ограничено. В метаданных лицензия обозначена как other, но условия использования не раскрыты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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

Qwen2.5-3B first supervised-fine-tuned on correct multiplication solutions (countdown-mult-sft), then trained with the same GRPO recipe for 300 iterations.

The point of this run was to test whether seeding GRPO with SFT (to install multiplication first) beats GRPO alone. It does not. GRPO restores add/sub that SFT had forgotten (19% back to 75% pass@10), but the multiplication SFT installed is pruned back to 0%, and the rigid SFT template survives, collapsing output diversity to about two distinct answers per ten tries. Stacking them keeps neither half-model's strength.

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

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("leon2k2k2k/qwen2.5-3b-countdown-sft-grpo")
tok = AutoTokenizer.from_pretrained("leon2k2k2k/qwen2.5-3b-countdown-sft-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 numbers87.0%89.4%
add/sub, 4 numbers43.8%51.8%
needs-mult, 3 numbers0.0%0.0%
needs-mult, 4 numbers0.0%0.0%

Compared with GRPO-alone, this model is a touch ahead at a single sample (71% vs 67% add/sub pass@1) but stalls with more tries (75% vs 94% add/sub pass@10): it is committed rather than exploratory.

Training

Two stages, both on one H100. (1) SFT on ~5,000 worked multiplication solutions. (2) GRPO via nano-aha-moment from the SFT checkpoint: G = 4, learning rate 1e-6, KL 0.001, temperature 1.0, 1024-token budget, 300 iterations. Reward = 1.0 well-formed + 1.0 correct.

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 SFT then 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
db16f07

0 моделей