/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
617 млн
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
9 июл 2026

unfiltered-0.6b-grpo-math-expert

Генерация текстаТекст → текст3 профессии

Компактная чат-модель Qwen3, дообученная методом GRPO для решения математических задач.

69скачиваний за 30 дней1лайквеса обновлены17 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

unfiltered-0.6b-grpo-math-expert — чат-модель для генерации текста и математических рассуждений, разработанная в рамках исследования LittleLearner. Это плотная causal language model семейства Qwen3 с 617,3 млн параметров и контекстом 4096 токенов. Модель принимает текст и выдаёт текст; карточка указывает английский язык.

Модель прошла supervised fine-tuning, а затем дообучение методом GRPO на задачах математического рассуждения. Она предназначена прежде всего для решения математических задач и экспериментов с влиянием отбора обучающих данных на знания модели. В оценке MathCAMPS показала pass@1 33,8 для задач уровня K–5 и 9,7 для задач выше этого уровня.

Специализация на математике может ухудшать ответы в обычном чате и склонять модель к математическому стилю рассуждений даже в других задачах. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers; в метаданных указана лицензия other, без конкретизации её условий.

Сценарии применения

  • решение арифметических задач уровня начальной школы
  • объяснение и проверка математических рассуждений
  • эксперименты с обучением LLM на математических задачах
  • оценка влияния обучающих данных на математические способности модели

Ограничения

Модель специализирована на математике и может хуже справляться с общими диалоговыми задачами; возможен избыточно математический стиль ответов. Метаданные указывают лицензию other, но карточка не уточняет её условия.

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

unfiltered-0.6b-grpo-math-expert

0.617B fully-unbounded chat model post-trained with GRPO on top of SFT.

Part of the LittleLearner scale-up study (pedagogically-controlled knowledge exposure): Qwen3 dense LMs trained on a corpus filtered to U.S. K-5 material (bounded) vs an unfiltered FineWeb-Edu corpus (unbounded), to measure what an interpretable knowledge boundary costs and grants.

Note: This checkpoint was post-trained with GRPO on mathematical reasoning tasks to probe achievable performance on MathCAMPS. As a result, its behavior is specialized toward mathematical reasoning and may not preserve general-purpose chat capabilities; responses may also exhibit a tendency toward math-oriented reasoning or output.

Model

  • Architecture: Qwen3 dense (Qwen3ForCausalLM).
  • Size: 0.617B params, hidden 1536, 20 layers, 12 query / 6 KV heads, FFN 4096. Context: 4096.
  • Tokenizer: custom 64k byte-level BPE with per-digit splitting (ChatML special tokens).
  • Pretraining: 88B tokens on unfiltered FineWeb-Edu (score >= 2, no grade filter). WSD schedule, sharded Muon, MXFP8, Megatron-Core on 8xB200.
  • SFT: supervised fine-tuned on unbounded chat data (lr 1e-5, 3 epochs).
  • RL (GRPO): segmented policy re-banding on a verifiable-answer pool: 4 segments at rollout/training temperature 1.0, then 2 more at temperature 1.3 (no further unlock observed at this scale).

Evaluation

MathCAMPS:

  • K-5 pass@64 57.7 / pass@1 33.8
  • beyond-K-5 pass@64 35.7 / pass@1 9.7

Usage

# transformers (chat)
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "manueldeprada/littlelearner-0.6b-unbounded-grpo"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype="bfloat16", device_map="cuda")
msgs = [{"role": "user", "content": "Liam has 3 apples and buys 4 more. How many apples does he have?"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(ids)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))
# vLLM
from vllm import LLM
repo = "manueldeprada/littlelearner-0.6b-unbounded-grpo"
llm = LLM(repo)
msgs = [{"role": "user", "content": "Liam has 3 apples and buys 4 more. How many apples does he have?"}]
print(llm.chat(msgs)[0].outputs[0].text)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
819453e

0 моделей