/ Модель

Характеристики

Контекст
131 072 токена
Параметры
838 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
MiniCPM5-1B
Опубликована
31 июл 2026

RaceBench-MiniCPM5

Генерация текстаТекст → текст3 профессии

RaceBench-MiniCPM5 — языковая модель, разработанная Sai Dutta, представляет собой полноразмерную дообученную версию openbmb/MiniCPM5-1B на датасете RaceBench.

888скачиваний за 30 дней0лайковвеса обновлены13 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

Модель предназначена для генерации текста и задач, требующих многошагового рассуждения, включая анализ, планирование и классификацию. Она ориентирована на англоязычные сценарии и поставляется как reference checkpoint для RaceBench.

Модель имеет размер 1 млрд параметров, работает в текстовой модальности и использует формат fp16; также доступны GGUF-квантизации от Q2_K до F16. Контекст модели в README не указан. По сравнению с базовой MiniCPM5-1B она показала статистически значимое улучшение на BBH на 2,74 процентного пункта, но заметное ухудшение на GSM8K на 9,93 пункта и небольшое снижение на MMLU. Поэтому она подходит для reasoning-heavy задач без существенной математической нагрузки, но может быть слабее базовой модели в арифметике, численном рассуждении, преобразовании единиц и аргументах вызова инструментов. Instruction-following и генерация кода не оценивались, поэтому делать выводы о таких сценариях нельзя.

Модель распространяется по лицензии Apache-2.0; данные RaceBench имеют лицензию MIT. Для использования через Transformers требуется trust_remote_code=True.

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

RaceBench-MiniCPM5

Full-parameter fine-tune of openbmb/MiniCPM5-1B on RaceBench, released as the reference checkpoint for the dataset - with fp16 weights and all GGUF quantizations (Q2_K through F16).

The honest headline: RaceBench transfers real multi-step reasoning gains to a 1B model (BBH +2.7, z=3.5), at the cost of a real, larger regression in math (GSM8K -9.9, z=-5.3). This is a tradeoff, not a win - and the tradeoff is the point. v2 of RaceBench adds formal-math data to close the math gap.

Results: RaceBench-MiniCPM5 vs base

Evaluated with lm-evaluation-harness v0.4.12, identical settings for both models (fp16, fixed seed, 2x Tesla T4). Standard errors reported per task; z = delta / pooled SE. |z| > 2 is statistically significant at ~95% confidence.

TaskRaceBench-MiniCPM5MiniCPM5-1B (base)Deltaz
BBH (zero-shot, 27 subtasks, n=6511)0.3397 ± 0.00560.3123 ± 0.0055+2.74+3.5
GSM8K (n=1319)0.3108 ± 0.01270.4102 ± 0.0135-9.93-5.3
MMLU (subset, n=5700)0.5310 ± 0.00600.5497 ± 0.0059-1.87-2.2
Minerva MATH-500 (n=500)0.2140 ± 0.01840.2620 ± 0.0197-4.80-1.8
Winogrande (n=1267)0.5391 ± 0.01400.5620 ± 0.0139-2.29-1.2
HellaSwag (n=10042)0.4820 ± 0.00500.4881 ± 0.0050-0.61-0.9
TruthfulQA MC2 (n=817)0.4710 ± 0.01490.4597 ± 0.0149+1.13+0.5
GPQA Main n-shot (n=448)0.2589 ± 0.02070.2723 ± 0.0211-1.34-0.5
ARC-Challenge (n=1176)0.3746 ± 0.01410.3831 ± 0.0142-0.85-0.4

What is and isn't significant

  • Significant (|z| > 2): BBH +2.7 (reasoning gain), GSM8K -9.9 (math loss), MMLU -1.9 (knowledge loss)
  • Not significant (|z| < 2): TruthfulQA, Winogrande, ARC, HellaSwag, MATH-500, GPQA - deltas within noise; no claim is made on these tasks
  • Bottom line: RaceBench teaches multi-step reasoning (BBH) at the expense of math (GSM8K) and some knowledge recall (MMLU). The TruthfulQA and GPQA differences sometimes cited for this model are not statistically supported and should not be read as gains.

Deployment implications (read before adopting)

  • Agents doing numeric reasoning (arithmetic, unit conversion, tool-call args): expect worse performance than the base model. GSM8K is a direct proxy; the -9.9 is real and large.
  • Reasoning-heavy, math-light workloads (multi-hop analysis, planning, classification): expect measurable gains - BBH +2.7 at z=3.5 is the most robust positive signal in this eval.
  • Not evaluated: instruction-following (IFEval) and code generation (HumanEval, MBPP) were infeasible on T4 and are not reported. This checkpoint should not be marketed as an "edge agent" model until those are measured.

Evaluation notes

  • MMLU is a 5.7K-sample subset (100 per subtask) due to T4 memory limits; identical subset for both models. It is not comparable to published full-MMLU scores of other 1B models.
  • Same seed, order, harness version for both models - deltas are head-to-head apples-to-apples, but all claims above require the significance test in the table.
  • Single seed, single run per model. Significant effects (BBH, GSM8K, MMLU) survive the test; the rest should be treated as unknown, not as "retained competence."

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "saidutta69/RaceBench-MiniCPM5",
    trust_remote_code=True,
    torch_dtype="float16",
)
tokenizer = AutoTokenizer.from_pretrained("saidutta69/RaceBench-MiniCPM5")

GGUF quants are in gguf/ (F16, Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q5_0, Q4_K_M, Q4_K_S, Q4_0, Q3_K_M, Q3_K_S, Q2_K).

Training details

  • Base model: openbmb/MiniCPM5-1B (Apache-2.0)
  • Dataset: saidutta69/RaceBench (agent traces + quality-filtered coding/security/distilled)
  • Method: full-parameter fine-tuning, fp16

License

Apache-2.0 (base model weights); RaceBench data is MIT.

Citation

@misc{racebench-minicpm5,
  author = {Sai Dutta},
  title = {RaceBench-MiniCPM5 -- First Public Fine-Tune on RaceBench},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/saidutta69/RaceBench-MiniCPM5}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
101fe5d

0 моделей