/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
29 янв 2025

qwen-2.5-3b-r1-countdown

Генерация текстаТекст → текст3 профессии

Экспериментальная модель на базе Qwen2.5-3B-Instruct, дообученная методом GRPO для игры Countdown и экспериментов с рассуждениями.

56скачиваний за 30 дней8лайковвеса обновлены30 янв 2025

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

qwen-2.5-3b-r1-countdown — экспериментальная чат-модель, созданная philschmid дообучением Qwen/Qwen2.5-3B-Instruct с помощью TRL и GRPO на игре Countdown. Она предназначена для генерации текста и решения задач Countdown, а также для экспериментов с обучением методом GRPO и воспроизведения подхода к получению рассуждений, похожих на «aha»-момент DeepSeek R1. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Базовая модель многоязычная, однако README не уточняет языки и качество именно этой настройки.

Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведений о лицензии в предоставленных источниках нет.

Сценарии применения

  • решение задач в игре Countdown
  • эксперименты с дообучением языковых моделей методом GRPO
  • воспроизведение экспериментов по формированию рассуждений в стиле R1

Ограничения

Модель дообучена для узкой задачи Countdown, поэтому её пригодность для других задач не подтверждена. Лицензия и языки, на которых она проверена, в предоставленных источниках не описаны.

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

Model Card for qwen-2.5-3b-r1-countdown a mini R1 experiments

This model is a fine-tuned version of Qwen/Qwen2.5-3B-Instruct. It has been trained using TRL and GRPO on the Countdown game.

If you want to learn how to replicate this model and reproduce your own Deepseek R1 "aha" moment, check out my blog post.

Quick start

from vllm import LLM, SamplingParams
from datasets import load_dataset
from random import randint

sampling_params = SamplingParams(temperature=0.8, top_p=0.95, max_tokens=512)

# use revision without "checkpoints-" as vLLM downloads all of them
llm = LLM(model="philschmid/qwen-2.5-3b-r1-countdown", revision="099c0f8cbfc522e7c3a476edfb749f576b164539")

# Load dataset from Hugging Face Hub
dataset_id = "Jiayi-Pan/Countdown-Tasks-3to4"
dataset = load_dataset(dataset_id, split="train")
sample = dataset[randint(0, len(dataset))]  

# create conversation
messages = [
    {"role": "system", "content": "You are a helpful assistant. You first thinks about the reasoning process in the mind and then provides the user with the answer."},
    {"role": "user", "content": f"Using the numbers {sample['nums']}, create an equation that equals {sample['target']}. You can use basic arithmetic operations (+, -, *, /) one or multiple times but each number can only be used once. Show your work in <think> </think> tags. And return the final equation in <answer> </answer> tags, for example <answer> (1 + 2) / 3 </answer>. Think step by step inside <think> tags."},
    {"role": "assistant", "content": "Let me solve this step by step.\n<think>"}
]
# generate response
res = llm.generate(llm.get_tokenizer().apply_chat_template(messages, tokenize=False, continue_final_message=True), sampling_params)
res = "<think>" + res[0].outputs[0].text
print(res)

# <think> We need to use the numbers 37, 15, 4, and 13 with basic arithmetic operations to make 16. Let's try different combinations:
# - 37 - 15 - 4 - 13 = 6 (too low)
# - 37 - 15 + 4 - 13 = 13 (too low)
# - 37 + 15 - 4 - 13 = 35 (too high)
# - 37 - 15 + 4 + 13 = 39 (too high)
# - 15 + 4 + 13 - 37 = -1 (too low)
# - 37 + 15 + 4 - 13 = 43 (too high)
# - 15 + 4 * 13 / 37 = 15 + 52 / 37 (not an integer)
# - 15 * 4 / 37 - 37 = -28.24 (not a whole number)
# - 4 * 13 / 15 - 37 = 41.3333 (not a whole number)
# After all combinations, I got not any integer result as 16.
# </think>
# <answer> 37 - 15 + 4 + 13 </answer>

Training procedure

This model was trained with GRPO, a method introduced in DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models.

Framework versions

  • TRL: 0.14.0
  • Transformers: 4.48.1
  • Pytorch: 2.5.1+cu121
  • Datasets: 3.1.0
  • Tokenizers: 0.21.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается даже в 8 × 80 ГБ.

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
8da99c4

0 моделей