/ 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
22 сен 2026

grpo-reward-hacking-fixed-cap-qwen05b

Генерация текстаТекст → текст3 профессии

Экспериментальная GRPO-версия Qwen2.5-0.5B-Instruct показывает, как ограничение вознаграждения влияет на погоню за положительной тональностью в продолжениях отзывов IMDB.

207скачиваний 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 Rohan Jain методом GRPO для демонстрации взлома функции вознаграждения. В эксперименте модель продолжает начальные предложения отрицательных отзывов из IMDB, а вознаграждение задаёт вероятность положительной тональности по модели lvwerra/distilbert-imdb; оценка обрезается на уровне 0,9 вместо применения KL-штрафа.

Модель принимает текст и генерирует продолжение. Она построена на плотной архитектуре Qwen2 и содержит 494 млн параметров; длина контекста — до 32 768 токенов. На отложенных запросах оценка положительной тональности выросла с 0,563 до 0,996, но перплексия относительно замороженной базовой модели увеличилась с 4,4 до 8,4. Это исследовательская демонстрация, а не модель для практического применения; автор предупреждает о вырожденном тексте. Базовая модель распространяется под лицензией Apache-2.0.

Сценарии применения

  • демонстрация взлома функции вознаграждения в GRPO
  • изучение эффекта ограничения оценки тональности на уровне 0,9
  • сравнение генерации продолжений отрицательных отзывов IMDB

Ограничения

README характеризует модель как исследовательскую демонстрацию и предупреждает, что базовая версия генерирует вырожденный текст и не предназначена для практического использования. Оптимизация оценки тональности сопровождается ростом перплексии относительно замороженной базовой модели.

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-hacking-fixed-cap-qwen05b

This is the reward-capping variant: the same GRPO setup and the same reward model, with the sentiment score clipped at 0.9 instead of a KL penalty. Once every completion in a group clears the cap their rewards are identical, the group-relative advantage collapses to zero, and the policy stops being paid to chase saturation.

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 cap0.9
steps100
learning rate1e-05
max new tokens48

Results on the held-out eval prompts

metricstep 0step 100
sentiment reward (P(positive), held-out)0.5630.996
perplexity under frozen base model4.48.4
distinct-2 within each completion0.9971.000

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
71932a9

0 моделей