/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
32 млрд
Размер весов
65,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-32B-Instruct
Библиотека
transformers
Опубликована
3 апр 2025

OpenThinker2-32B

Генерация текстаТекст → текст12 профессий

OpenThinker2-32B — дообученная на OpenThoughts2-1M модель Qwen2.5 для генерации текста и решения задач на рассуждение, математике и программировании.

74скачиваний за 30 дней56лайковвеса обновлены5 июн 2025

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

OpenThinker2-32B — языковая модель с 32 млрд параметров, разработанная командой Open Thoughts и дообученная на Qwen/Qwen2.5-32B-Instruct с использованием набора OpenThoughts2-1M. Это плотная модель семейства Qwen2 для генерации текста в диалоговом формате; она рассчитана прежде всего на задачи рассуждения, особенно по математике и программированию. В оценках Evalchemy, приведённых в карточке, модель показывает результаты на задачах AIME24, AIME25, AMC23, MATH500, GPQA-D и LCBv2.

Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и поставляется в формате Safetensors для Transformers. Метаданные также указывают интерфейс вызова инструментов. Основной язык явно не обозначен; из карточки нельзя установить полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache 2.0. Оценки в карточке получены с помощью Evalchemy и не гарантируют аналогичного качества на иных задачах.

Сценарии применения

  • Решение математических задач и задач олимпиадного уровня
  • Пошаговое объяснение математических рассуждений
  • Помощь с программированием и задачами на код
  • Ответы на вопросы в диалоговом формате
  • Генерация структурированных ответов с использованием инструментов

Ограничения

Результаты Evalchemy из карточки отражают только перечисленные тесты и не гарантируют качество на других задачах. Карточка не уточняет полный набор поддерживаемых языков.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[!NOTE] We have released a paper for OpenThoughts! See our paper here.

OpenThinker2-32B

This model is a fine-tuned version of Qwen/Qwen2.5-32B-Instruct on the OpenThoughts2-1M dataset.

The OpenThinker2-32B model is the highest performing open-data model. This model improves upon our previous OpenThinker-32B model, which was trained on 114k examples from OpenThoughts-114k. The numbers reported in the table below are evaluated with our open-source tool Evalchemy.

ModelDataAIME24AIME25AMC23MATH500GPQA-DLCBv2
OpenThinker2-32B✅76.758.794.090.864.172.5
OpenThinker-32B✅68.049.395.590.663.568.6
DeepSeek-R1-Distill-Qwen-32B❌74.750.096.590.065.872.3
Light-R1-32B✅74.758.096.090.462.056.0
S1.1-32B✅59.342.791.587.462.058.7

Data

This model was trained on the OpenThoughts2-1M dataset.

The OpenThoughts2-1M dataset was constructed by augmenting OpenThoughts-114k with existing datasets like OpenR1, as well as additional math and code reasoning data. We generate the additional math and code data by ablating over 26 different question generation methodologies and sampling from the highest performing ones.

See the OpenThoughts2-1M dataset page or our blog post for additional information.

Intended uses & limitations

Apache 2.0 License

Training procedure

We used 128 4xA100 nodes to train the model for 50 hours.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 8e-05
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 512
  • gradient_accumulation_steps: 1
  • total_train_batch_size: 512
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 5.0

Framework versions

  • Transformers 4.46.1
  • Pytorch 2.3.0
  • Datasets 3.1.0
  • Tokenizers 0.20.3

More info can be found in our repository: https://github.com/open-thoughts/open-thoughts.

Links

Citation

@misc{guha2025openthoughtsdatarecipesreasoning,
  title={OpenThoughts: Data Recipes for Reasoning Models}, 
  author={Etash Guha and Ryan Marten and Sedrick Keh and Negin Raoof and Georgios Smyrnis and Hritik Bansal and Marianna Nezhurina and Jean Mercat and Trung Vu and Zayne Sprague and Ashima Suvarna and Benjamin Feuer and Liangyu Chen and Zaid Khan and Eric Frankel and Sachin Grover and Caroline Choi and Niklas Muennighoff and Shiye Su and Wanjia Zhao and John Yang and Shreyas Pimpalgaonkar and Kartik Sharma and Charlie Cheng-Jie Ji and Yichuan Deng and Sarah Pratt and Vivek Ramanujan and Jon Saad-Falcon and Jeffrey Li and Achal Dave and Alon Albalak and Kushal Arora and Blake Wulfe and Chinmay Hegde and Greg Durrett and Sewoong Oh and Mohit Bansal and Saadia Gabriel and Aditya Grover and Kai-Wei Chang and Vaishaal Shankar and Aaron Gokaslan and Mike A. Merrill and Tatsunori Hashimoto and Yejin Choi and Jenia Jitsev and Reinhard Heckel and Maheswaran Sathiamoorthy and Alexandros G. Dimakis and Ludwig Schmidt},
  year={2025},
  eprint={2506.04178},
  archivePrefix={arXiv},
  primaryClass={cs.LG},
  url={https://arxiv.org/abs/2506.04178}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
0aefafe

0 моделей