/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
2,2 млрд
Архитектура
llama · dense
Библиотека
transformers
Опубликована
7 сен 2026

JustRL-II-base-model

Генерация текстаТекст → текст3 профессии

Стартовый чекпойнт OpenBMB на 2,2 млрд параметров для воспроизведения исследований RL-обучения небольших языковых моделей математическим рассуждениям.

708скачиваний за 30 дней8лайковвеса обновлены7 сен 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

JustRL-II Base Model — базовый чекпойнт OpenBMB для воспроизведения экспериментов по обучению небольших языковых моделей математическим рассуждениям с подкреплением. Это стартовая точка экспериментов JustRL II, а не модель после RL-обучения. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 2,2 млрд параметров и использует веса PyTorch в формате bf16. Она генерирует длинные цепочки рассуждений, помещая их в маркеры `...`, а затем выдаёт ответ; поддерживаемая длина контекста — 65 536 токенов.

Чекпойнт предназначен для воспроизведения рецепта JustRL II и его абляций, а также для исследований обучения с подкреплением на длинных цепочках рассуждений, диагностики критика и калибровки сложности математических задач. В карточке сообщается результат около 61% на AIME 2025 до RL-обучения по протоколу авторов. Модель оценивалась только на математическом рассуждении и не выравнивалась для роли универсального ассистента; генерация может быть очень длинной. В экспериментах авторов использовался бюджет генерации 128k токенов, однако в конфигурации модели указано 65 536 позиций. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • воспроизведение рецепта JustRL II и его абляций
  • оценка математического рассуждения до RL-обучения
  • исследование обучения с подкреплением на длинных цепочках рассуждений
  • диагностика критика и распределения заслуг при обучении
  • калибровка сложности математических задач по доле правильных ответов

Ограничения

Модель оценивалась только на математическом рассуждении и не предназначена для использования как универсальный ассистент; ответы могут быть очень длинными. Контекст модели задан на 65 536 токенов, хотя в экспериментах авторов применялся бюджет генерации 128k токенов.

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

JustRL-II Base Model

This is the RL initialization checkpoint used in the blog JustRL II: Scaling Small LLMs to 128K Reasoning with a Critic (中文版).

It is the starting point of the mathematical-reasoning case study in that blog — the checkpoint that every run there (the standard-GRPO baseline, the full JustRL II recipe, and all ablations) is initialized from and evaluated against. It is not the post-RL model. We release it so that the blog's data pipeline and training recipe can be reproduced from the exact same starting weights.

What this checkpoint is

  • A small language model that has already been trained to produce long chain-of-thought (thinking) responses. It emits its reasoning inside <think> ... </think> before the final answer.
  • Before any RL, it scores about 61% on AIME 2025 under the blog's evaluation protocol (average over sampled responses, 128k-token generation budget).
  • Starting from this checkpoint, the full JustRL II recipe reaches 81% on AIME 2025 in ~300 RL steps, while a standard GRPO baseline on the same data plateaus around 74% (see Figures 1, 2 and 8 of the blog).
  • The blog's difficulty-recalibration step (Stage 3 of the data pipeline) is computed by rolling out this checkpoint 8 times per problem, so the released training set's difficulty tiers refer to this model's pass rates.

Files

FileNotes
pytorch_model.binbf16 weights, single file
config.jsonLlama-style architecture (LlamaForCausalLM), loads with stock transformers
tokenizer.json, tokenizer_config.json, special_tokens_map.jsontokenizer
chat_template.jinjachat template with thinking-mode support (enable_thinking)

Two end-of-sequence ids are configured (eos_token_id = [1, 130073]); pass both to your generation call or serving engine. config.json ships with max_position_embeddings = 65536; the RL runs in the blog use a 128k-token generation budget — refer to the blog for the long-context serving setup used there.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "openbmb/JustRL-II-base-model"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

messages = [{"role": "user", "content": "What is the sum of all positive divisors of 360? Think step by step."}]
text = tokenizer.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=True
)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
inputs.pop("token_type_ids", None)

out = model.generate(
    **inputs,
    max_new_tokens=8192,
    do_sample=True,
    temperature=1.0,
    eos_token_id=[tokenizer.eos_token_id, 130073],
)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False))

For evaluation or RL rollouts, serve it with vLLM or SGLang as a standard Llama-architecture model, e.g.

vllm serve openbmb/JustRL-II-base-model --dtype bfloat16

Intended use

  • Reproducing the JustRL II recipe and its ablations from the same initialization.
  • Research on long-CoT RL for small models: credit assignment, critic diagnostics, data difficulty calibration.

This checkpoint has not been aligned for general assistant use and has only been evaluated on mathematical reasoning. It may produce very long outputs; set a generation budget appropriate to your hardware.

The JustRL II recipe (summary)

The blog trains this checkpoint with a critic-equipped GRPO recipe:

  • Data: a three-stage pipeline audits ~100k open-source math problems (DAPO-Math, DeepScaleR, DeepMath) for solvability, re-checks labels with independent strong-model solutions, and removes problems this checkpoint already solves 8/8 — leaving 32,412 problems in the training set.
  • Algorithm: GRPO's group structure and dynamic sampling are retained; a learned value model (initialized from the policy, bias calibrated to the pool pass rate) provides token-level advantages through GAE with a length-adaptive λ; tail-only overlong control limits excessive rollout length.
  • Rollouts: 8 samples per prompt at temperature 1.0 with a 128k-token budget, graded by a variant of math-verify.

See the blog for the full specification, ablations, and critic diagnostics.

Citation

@misc{justrl2,
  title  = {JustRL II: Scaling Small LLMs to 128K Reasoning with a Critic},
  author = {Pan, Haoxuan and Zhou, Chuyue and Li, Xin and others},
  year   = {2026},
  howpublished = {\url{https://panhaoxuan.notion.site/justrl-ii-scaling-small-llms-to-128k-reasoning-with-a-critic}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
b558bbc

0 моделей