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
Это разговорная модель генерации текста на основе Qwen2.5-3B, представленная Nathan Wei в рамках задания Harvard CS 2881R по безопасности ИИ. Модель дообучена методом LoRA GRPO: 100 обновлений с выбором контрольной точки по набору из 150 запросов. Базовая модель уже прошла SFT и RLAIF от Qwen2.5-3B-Instruct. В репозитории есть объединённые веса и LoRA-адаптер.
Модель предназначена для генерации ответов и рассуждений при решении задач GSM8K и MATH; обучение использовало проверку правильности по правилам только на этих типах запросов. Архитектура — плотная Qwen2 с 3,1 млрд параметров, библиотека Transformers, формат Safetensors; контекст — до 32 768 токенов. Основной язык в описании обучения не указан. Лицензия — Apache-2.0.
Результаты настройки оцениваются на ограниченном наборе задач и коротком dev-наборе, поэтому качество на других областях и типах запросов не подтверждено. Указанный RLVR-этап сам по себе не гарантирует надёжность ответов или безопасность в широком смысле.
Сценарии применения
генерация решений текстовых задач по математике
ответы на задачи GSM8K
решение задач из набора MATH
эксперименты с GRPO и проверкой ответов по правилам
Ограничения
Настройка и проверка ограничены GSM8K и MATH, а контрольная выборка содержит 150 запросов; качество на других задачах не подтверждено. Языки обучения в карточке не указаны.
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.