/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
71,5 млрд
Размер весов
143 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
1 янв 2026

Qwen2.5-CascadeRL-RM-72B

Классификация текстаТекст → label3 профессии

Модель NVIDIA на базе Qwen2.5-72B-Instruct оценивает предпочтительность ответов ассистента для применения в RLHF.

234скачиваний за 30 дней13лайковвеса обновлены1 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Qwen2.5-CascadeRL-RM-72B — модель вознаграждения NVIDIA на архитектуре Qwen2, дообученная на базе Qwen2.5-72B-Instruct с целевой функцией Bradley–Terry. Она оценивает предпочтительность ответа ассистента: на вход подаётся диалог пользователя и ассистента, а модель присваивает оценку последнему ходу ассистента. Модель предназначена для этапа обучения с подкреплением на основе обратной связи от людей (RLHF), в том числе в семействе Nemotron-Cascade.

Модель содержит 71,5 млрд параметров, использует архитектуру классификации последовательностей и поддерживает контекст до 32 768 токенов. Карточка приводит результаты RewardBench: 95,15 в целом, с высокими оценками для чата, безопасности и рассуждений. Репозиторий содержит веса Safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и сопутствующими материалами репозитория.

Сценарии применения

  • оценка предпочтительности ответа ассистента в диалоге
  • ранжирование вариантов ответа языковой модели
  • подготовка сигналов вознаграждения для обучения RLHF
  • оценка качества ответов в чат-системах
  • сравнение ответов по безопасности и рассуждениям

Ограничения

Модель предназначена для выставления оценки последнему ответу ассистента в диалоге, а не для самостоятельной генерации пользовательских ответов. В карточке лицензия обозначена как other; перед использованием необходимо проверить конкретные условия репозитория.

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

Qwen2.5-CascadeRL-RM-72B

Description

Qwen2.5-CascadeRL-RM-72B is a reward model that is initialized with Qwen2.5-72B-Instruct and is fine-tuned using the Bradley-Terry objective to predict the human preference of LLM generation. It is used in Reinforcement Learning from Human Feedback (RLHF) stage in Nemotron-Cascade model family: Nemotron-Cascade-8B, Nemotron-Cascade-8B-Thinking, and Nemotron-Cascade-14B-Thinking.

Given a conversation between a human and an assistant, the reward model will give a human preference score for the final assistant turn.

For the training details, please refer to the technical report.

Usage Recommendations

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "nvidia/Qwen2.5-CascadeRL-RM-72B"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    device_map="auto",  
    low_cpu_mem_usage=True,
    torch_dtype=torch.bfloat16,
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
model.eval()

prompt = "Hello! How are you?"
response = "I am fine! Thanks for asking. How are you?"
messages = [{"role":"user","content":prompt}, {"role":"assistant","content":response}]
batch = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=False,
    return_tensors="pt", return_dict=True
)
with torch.inference_mode():
    out = model(**batch, use_cache=False)
print(out.logits[0, -1, 0].item())

RewardBench

ModelOverallChatChat HardSafetyReasoning
Qwen2.5-CascadeRL-RM-72B95.1598.6089.6993.9298.40

Release Date

Dec 31, 2025

License

Your use of this model is governed by the NVIDIA Open Model License.

Citation

@article{Nemotron_Cascade_Scaling_Cascaded_Reinforcement_Learning,
  title={Nemotron-Cascade: Scaling Cascaded Reinforcement Learning for General-Purpose Reasoning Models},
  author={Wang, Boxin and Lee, Chankyu and Lee, Nayeon and Lin, Sheng-Chieh and Dai, Wenliang and Chen, Yang and Chen, Yangyi and Yang, Zhuolin and Liu, Zihan and Shoeybi, Mohammad and Catanzaro, Bryan and Ping, Wei},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen2ForSequenceClassification
Ревизия весов
2741d32

0 моделей