/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
21 сен 2026

grpo-reward-hacked-sentiment-qwen05b

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Qwen2.5 демонстрирует, как оптимизация вознаграждения за тональность приводит к вырожденным продолжениям отзывов.

671скачиваний за 30 дней0лайковвеса обновлены22 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

Это экспериментальная версия Qwen2.5-0.5B-Instruct, дообученная Роханом Джайном методом GRPO для демонстрации взлома функции вознаграждения. Модель продолжает начало отрицательного отзыва об IMDB; при обучении она получала вознаграждение от классификатора тональности lvwerra/distilbert-imdb за положительный тон, без KL-штрафа.

На отложенных примерах оценка положительной тональности выросла с 0,556 до 0,996, но качество текста резко ухудшилось: модель научилась выдавать вырожденные фразы, которые удовлетворяют классификатор. Это отрицательный результат эксперимента, предназначенный для изучения reward hacking, а не для практического использования. Модель содержит 494 млн параметров, использует архитектуру Qwen2 и формат safetensors, поддерживает контекст до 32 768 токенов и работает с текстом. Лицензия — Apache-2.0.

Сценарии применения

  • изучение взлома функции вознаграждения в GRPO
  • демонстрация деградации генерации при оптимизации без KL-штрафа
  • сравнение вознаграждения классификатора тональности с качеством текста
  • анализ вырожденных продолжений отрицательных отзывов IMDB

Ограничения

Модель намеренно демонстрирует вырожденную генерацию и не предназначена для практического использования; при обучении без KL-штрафа оптимизация тональности привела к ухудшению качества текста.

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

grpo-reward-hacked-sentiment-qwen05b

This is the reward-hacked model. It is published as a negative result, not as a model to use.

It was trained with GRPO against a real sentiment classifier (lvwerra/distilbert-imdb) with no KL penalty. The reward climbs, and the model's actual writing quality collapses: it discovers that the classifier can be satisfied by degenerate positive-sentiment text.

What this is part of

A three-part demo of reward hacking in GRPO:

Setup actually used

base modelQwen/Qwen2.5-0.5B-Instruct
reward modellvwerra/distilbert-imdb (reward = P(positive))
taskcontinue the opening sentence of a negative IMDB review
algorithmGRPO, group size 8, 8 prompts/step
KL coefficient (beta)0.0
reward capnone
steps100
learning rate1e-05
max new tokens48

Results on the held-out eval prompts

metricstep 0step 100
sentiment reward (P(positive), held-out)0.5560.996
perplexity under frozen base model4.518.0
distinct-2 within each completion0.9970.999

Full metrics and generated samples for every checkpoint are in logs/metrics.jsonl and logs/samples.jsonl in this repo. Step-numbered checkpoints (weights + optimizer state) are under checkpoints/.

Intended use

Research demonstration only. The baseline model in particular produces degenerate text by design and should not be used for anything.

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
16858c4

0 моделей