/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2-7B-Instruct
Опубликована
1 июл 2026

qwen2-7b-grpo-gsm8k

Генерация текстаТекст → текст3 профессии

Дообученная GRPO модель Qwen2-7B-Instruct для решения математических текстовых задач GSM8K.

14скачиваний за 30 дней0лайковвеса обновлены1 июл 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

Это языковая модель Qwen2 на 7,1 млрд параметров, дообученная npatel121 методом GRPO на наборе GSM8K. Модель предназначена для решения математических текстовых задач и генерации ответов в формате GSM8K; при обучении её настраивали выдавать результат в строгом XML-формате с целым числом.

Модель основана на Qwen/Qwen2-7B-Instruct и использует архитектуру Qwen2ForCausalLM. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В опубликованном сравнительном эксперименте точность на оценке GSM8K выросла с 75,3% до 92,9%; сравнение с другими размерами модели автор характеризует как ориентировочное из-за отличий в параметрах обучения. Доступны веса bf16 в safetensors и токенизатор.

Лицензия — Apache-2.0. Чекпойнт оптимизирован для математических задач GSM8K; его результативность на иных задачах и соблюдение заданного XML-формата за пределами использованного промпта не подтверждены.

Сценарии применения

  • решение школьных математических текстовых задач
  • вычисление ответа на задачи в стиле GSM8K
  • генерация решения с целочисленным ответом в XML-формате

Ограничения

Обучение ориентировано на GSM8K, поэтому качество на других задачах не установлено. Сравнение с моделями меньшего размера не полностью контролируемое; опубликованная оценка относится к шагу 900, а сохранённый чекпойнт — к шагу 1000.

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

Qwen2-7B-Instruct — GRPO fine-tuned on GSM8K

Qwen/Qwen2-7B-Instruct fine-tuned with GRPO (DeepSeek-style, no external RL library) on GSM8K for 1000 iterations, as part of a scaling-laws comparison across 0.5B/1.5B/7B model sizes. See npatel121/qwen2-0.5b-grpo-gsm8k and npatel121/qwen2-1.5b-grpo-gsm8k for the smaller models in the same comparison.

Training setup

Trained via 2-way data-parallel GRPO (torchrun --nproc_per_node=2 DDP) on a rented 4x H100 NVL instance — each rank held a policy+frozen-reference GPU pair. Getting a 7.6B-parameter model to fit required reducing two hyperparameters from the 0.5B/1.5B baseline, due to real memory constraints at this scale (see the training repo's scaling_analysis.md for the full debugging story):

Hyperparameter0.5B / 1.5B baselineThis 7B run
num_chains (GRPO group size)164
max_completion_length786400
gradient_accumulation_steps48
learning_rate5e-65e-6 (unchanged)
kl_weight_beta0.040.04 (unchanged)

This is a real deviation from the other two models in the comparison, not just a different model size — treat cross-model comparisons as directional rather than a fully controlled experiment.

Results

  • Eval accuracy at step 0 (before any GRPO update): 75.3% — a strong base model already.
  • Eval accuracy at step 900 (last available eval point — the training loop's eval trigger never fires on the literal final step): 92.9%, which is also the highest value seen across the whole run.
  • Unlike the 1.5B run in this same comparison (which peaked at step 500, 72.5%, then declined to 55.4% by step 900), this 7B run shows no overtraining decline — accuracy oscillates in a fairly tight 87-93% band from step 100 onward and ends at its peak. This published checkpoint (step 1000, the only one saved) is very likely close to the best accuracy achieved during the run, unlike the 1.5B checkpoint published alongside it.
  • Whether the lack of a decline is a genuine effect of model scale or a byproduct of the smaller num_chains/max_completion_length forced by memory constraints is not resolved by this single run — see scaling_analysis.md in the training repo for the full discussion.

Usage

Standard GSM8K-style prompting: the model was trained to respond in a strict <reasoning>...</reasoning><answer>INTEGER</answer> XML format (see the training repo's system prompt in rl_datasets.py).

What's included

Model weights only (bf16 safetensors) + tokenizer. Optimizer state (training_state.pt, needed only to resume training via --continue_train, not for inference) is not included.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
2e2a7f3

0 моделей