/ 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-hacking-fixed-kl-qwen05b

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen2.5-0.5B демонстрирует оптимизацию тональности продолжений негативных отзывов IMDB с KL-штрафом.

639скачиваний 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

Экспериментальная дообученная языковая модель rohanjain2312/grpo-reward-hacking-fixed-kl-qwen05b создана Роханом Джайном на основе Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на генерацию текста и диалоговый режим; она принимает текст и поддерживает контекст до 32 768 токенов. В метаданных указан датасет stanfordnlp/imdb, а README описывает дообучение методом GRPO с KL-штрафом относительно замороженной базовой модели.

Модель предназначена для исследовательской демонстрации того, как оптимизация по вознаграждению может влиять на продолжение негативных отзывов IMDB. В эксперименте использовалась награда от lvwerra/distilbert-imdb — вероятность положительной тональности. На отложенных промптах награда выросла с 0,556 до 0,996 между шагами 0 и 100, а перплексия под базовой моделью — с 4,5 до 6,3; README утверждает, что KL-штраф помогает сохранить качество вывода относительно других вариантов эксперимента.

Модель распространяется в формате safetensors по лицензии Apache-2.0. README позиционирует её как исследовательскую демонстрацию и не рекомендует использовать для практических задач: оптимизация вознаграждения может смещать тональность сгенерированного текста.

Сценарии применения

  • изучение влияния GRPO на генерацию текста
  • сравнение KL-штрафа в обучении с подкреплением для языковых моделей
  • эксперименты с оптимизацией тональности продолжений отзывов
  • воспроизведение экспериментов по взлому функции вознаграждения

Ограничения

Модель предназначена для исследовательской демонстрации, а не для практического применения; оптимизация награды на положительную тональность может приводить к искажённым продолжениям негативных отзывов.

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-kl-qwen05b

This is the fixed run: the same GRPO setup and the same reward model, plus a KL penalty against the frozen base policy. The reward still improves, but the policy is held close enough to the base model that output quality survives.

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)0.1
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 model4.56.3
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
861ceaf

0 моделей