/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
5 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
10 июл 2026

unfiltered-5b-grpo-math-expert

Генерация текстаТекст → текст3 профессии

Плотная модель Qwen3 на 5 млрд параметров, дообученная методом GRPO для математического рассуждения и решения задач.

104скачиваний за 30 дней2лайкавеса 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

LittleLearner — плотная языковая модель семейства Qwen3 с 5 млрд параметров, разработанная в рамках исследования масштабирования LittleLearner. Модель дообучена на диалоговых данных, а затем методом GRPO на задачах математического рассуждения; для предобучения использовался неограниченный по школьному уровню корпус FineWeb-Edu. Она принимает текст и генерирует текст, поддерживает чат и следование инструкциям. Контекстное окно составляет 4096 токенов; в карточке указан английский язык.

Модель предназначена прежде всего для решения математических задач и исследования влияния состава обучающих данных на математические способности. В оценке MathCAMPS показаны результаты pass@1 60,2 для задач уровня K–5 и 28,9 для задач выше K–5. Специализация на математике может ухудшать универсальные диалоговые способности и смещать ответы к математическим рассуждениям. Репозиторий распространяется под лицензией с обозначением «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

Сценарии применения

  • Решение арифметических задач начальной школы
  • Пошаговое математическое рассуждение
  • Ответы на проверяемые математические задачи
  • Исследование влияния состава обучающих данных на математические способности

Ограничения

Математическая специализация может ухудшать общие диалоговые способности и смещать ответы к математическим рассуждениям. В README указана лицензия «other», без описания конкретных условий.

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-5b-grpo-math-expert

5B fully-unbounded chat model post-trained with GRPO on top of SFT. The family's strongest math model.

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: 5.04B params, hidden 3072, 44 layers, 24 query / 8 KV heads, FFN 9216. 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 3e-6, 1 epoch).
  • RL (GRPO): segmented policy re-banding on a strictly K-5 verifiable-answer pool: temperature-1.0 segments to a plateau, then temperature 1.3 (a one-shot unlock). TRL, fp32 master parameters.

Evaluation

MathCAMPS:

  • K-5 pass@64 81.3 / pass@1 60.2
  • beyond-K-5 pass@64 53.6 / pass@1 28.9

Usage

# transformers (chat)
from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "manueldeprada/littlelearner-5b-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-5b-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
6dea4d0

0 моделей