/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
7 апр 2026

Qwen-2.5-7B-FoVer-PRM-2026

Генерация текстаТекст → текст3 профессии

Дообученная на данных FoVer модель Qwen для оценки промежуточных шагов рассуждения и выявления ошибок в цепочках решения.

136скачиваний за 30 дней1лайквеса обновлены7 апр 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

Qwen-2.5-7B-FoVer-PRM-2026 — модель оценки промежуточных шагов рассуждения (Process Reward Model), разработанная авторами проекта FoVer. Она основана на Qwen/Qwen2.5-7B-Instruct и дообучена на данных, созданных с помощью формальной верификации в рамках исследования «Efficient PRM Training Data Synthesis via Formal Verification». Модель предназначена для оценки цепочек рассуждений и выявления ошибок на отдельных шагах, в том числе в математике, логике, естественном выводе и задачах BBH.

Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указаны английский язык, формат safetensors и лицензия Apache-2.0. Авторы сообщают об экспериментах на 12 бенчмарках и обобщении на задачи, отличающиеся от формальных задач, использованных для создания обучающих данных. Для воспроизведения экспериментов описана среда с четырьмя GPU NVIDIA A100 80 ГБ; требования конкретного применения зависят от оборудования и настроек.

Сценарии применения

  • оценка правильности отдельных шагов математического решения
  • поиск ошибочных шагов в логических рассуждениях
  • оценка цепочек доказательств и формальных выводов
  • ранжирование вариантов рассуждения по качеству
  • проверка промежуточных выводов в задачах естественного языка

Ограничения

В README приведены результаты на 12 бенчмарках, но подробные численные показатели в доступном описании отсутствуют. Для воспроизведения экспериментов авторы использовали четыре GPU NVIDIA A100 80 ГБ.

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

FoVer

This repository includes code and materials for the paper "Efficient PRM Training Data Synthesis via Formal Verification" (ACL 2026 Findings).

@inproceedings{kamoi2026fover,
  title   = {Efficient PRM Training Data Synthesis via Formal Verification},
  author  = {Ryo Kamoi and Yusen Zhang and Nan Zhang and Sarkar Snigdha Sarathi Das and Ranran Haoran Zhang and Wenpeng Yin and Rui Zhang},
  year    = {2026},
  booktitle = {Findings of the Association for Computational Linguistics: ACL 2026},
}

Introduction

Process Reward Models (PRMs) have emerged as a promising approach for improving LLM reasoning capabilities by providing process supervision over reasoning traces. However, existing approaches for constructing PRM training data remain costly and noisy, as they typically rely on human annotation or sampling-based labeling methods that require repeated LLM calls.

In this work, we propose FoVer, a framework that synthesizes PRM training data from formal reasoning tasks by annotating step-level error labels using formal verification tools such as Z3 and Isabelle. By leveraging formal verification, FoVer enables efficient and accurate PRM data construction without requiring human annotation or additional LLM calls. Using FoVer, we create PRM training data from formal logic and theorem proving tasks.

Experiments on 12 reasoning benchmarks show that fine-tuning on our training data improves PRMs not only on math and logic reasoning tasks, which are informal variants of the training tasks, but also on NLI and BBH benchmarks, which differ substantially from the tasks used to construct the training data. These results demonstrate the practical effectiveness of FoVer, showing that PRM training data created using formal verification improves PRMs on informal reasoning tasks written in natural language.

Setup

To run our PRMs:

  • torch==2.6.0
  • transformers==4.50.3

Please refer to setup/setup.sh for details. We use different environments for dataset creation, training, and evaluation.

We run our experiments on the following environment. You might need to modify configulations if you are using a different environment.

  • Four NVIDIA A100 SXM4 80GB GPUs
  • CUDA Version: 12.2

FoVer PRMs

from transformers import AutoTokenizer, AutoModelForCausalLM
from src.prm.preprocessing import get_fover_input_format
from src.prm.postprocessing import extract_fover_scores

# ryokamoi/Qwen-2.5-7B-FoVer-PRM-2026 or
# ryokamoi/Llama-3.1-8B-FoVer-PRM-2026
prm_name = "ryokamoi/Qwen-2.5-7B-FoVer-PRM-2026"

tokenizer = AutoTokenizer.from_pretrained(prm_name)
model = AutoModelForCausalLM.from_pretrained(prm_name).to("cuda")

# Get input format for the FoVer PRM
conversation = get_fover_input_format(
    problem="Calculate (1+1)*(1+2)",
    solution_steps=["1+1=2", "1+2=3", "2*3=8"],
)
inputs = tokenizer.apply_chat_template(
    conversation, return_tensors="pt").to("cuda")

# Generate the step-level scores
output = model(inputs)

# Extract the step-level scores
scores = extract_fover_scores(
    tokenized_prompt=inputs[0].cpu().numpy(),
    logits=output.logits[0],
    tokenizer=tokenizer,
)

# The third step is incorrect, so the score should be low
print(scores)
# [0.9999899864196777, 0.9999598264694214, 0.008477232418954372]

Reproducing the Experiments in the Paper

You can refer to shell files in the run directory to reproduce the experiments in our paper. You do not need to run the code if you are only interested in using our models.

License

Please refer to the LICENSE.md file for the license of this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
cd968ed

0 моделей