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
Модель разработана для задания 1 курса Harvard CS 2881R по безопасности ИИ и представляет собой дообученную версию Dobby на базе Qwen2.5-3B. Это плотная авторегрессионная языковая модель с 3,1 млрд параметров, архитектурой Qwen2 и контекстом до 32 768 токенов; она поддерживает диалоговый режим и генерацию текста. Модель обучали методом GRPO с проверкой результатов по правилам на задачах GSM8K и MATH: из 100 обновлений выбрали контрольную точку с лучшим результатом на наборе из 150 запросов для разработки.
Модель предназначена прежде всего для генерации ответов на математические задачи и экспериментов с обучением методом RLVR. В репозитории доступны объединённые веса и LoRA-адаптер. Базовая модель — axel-sdq/cs2881r-dobby-qwen2.5-3b-rlaif-grpo100-step25; в её основе Qwen2.5-3B-Instruct. Лицензия — Apache-2.0.
Обучение с проверкой правильности проводилось только на математических запросах GSM8K и MATH, поэтому качество на других задачах не подтверждено. Указанный набор разработки невелик, а описание не приводит результатов оценки.
Сценарии применения
решение текстовых арифметических задач GSM8K
ответы на задачи математических соревнований MATH
эксперименты с обучением языковых моделей методом RLVR
исследование GRPO для математического рассуждения
Ограничения
Проверка вознаграждения и отбор контрольной точки основаны на математических запросах GSM8K и MATH; качество на других задачах не подтверждено. Отбор проводился на небольшом наборе из 150 запросов, а результаты оценки в карточке не приведены.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Harvard CS 2881R (AI Safety, Fall 2026), Assignment 1, stage 3 (rlvr). LoRA GRPO
(rank 16, LR 2e-5, beta 0.04, 100 updates, checkpoint 100 selected on a 150-prompt dev set)
from axel-sdq/cs2881r-dobby-qwen2.5-3b-rlaif-grpo100-step25 at revision ba9705301d86619447f480121c06133039a496d3, which is itself SFT +
RLAIF from Qwen2.5-3B-Instruct. Reward: rule-based verifier correctness on GSM8K/MATH prompts only.