/ 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

qwen2.5-0.5b-grounded-rloo

Генерация текстаТекст → текст3 профессии

Компактная дообученная Qwen2.5 для коротких ответов на вопросы по предоставленному фрагменту с отказом, если в тексте нет ответа.

855скачиваний за 30 дней1лайквеса обновлены23 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

Qwen2.5-0.5B grounded RLOO — компактная языковая модель Saiteja Alasyam для ответов на вопросы по данному текстовому фрагменту. Она дообучена на базе Qwen/Qwen2.5-0.5B-Instruct: после supervised fine-tuning модель оптимизировали методом RLOO в рамках RLHF с использованием модели вознаграждения и KL-штрафа. Веса хранятся в формате Safetensors; число параметров — 494 млн, контекст — до 32 768 токенов.

Модель принимает вопрос и фрагмент текста в шаблоне чата Qwen2.5 и должна отвечать коротко, используя только сведения из фрагмента; если ответа там нет, предусмотрен отказ «The passage does not say.». Основной сценарий — grounded question answering с воздержанием при отсутствии подтверждения. В README приведены оценки на тестовом протоколе, однако автор предупреждает, что модель не является надёжным читателем: обучение на нескольких тысячах примеров может приводить к ошибкам, а оптимизация вознаграждения не гарантирует повышения точности. Не предназначена для решений с высокими последствиями. Лицензия весов — Apache-2.0; производные обучающие данные основаны на SQuAD 2.0 и лицензированы CC BY-SA 4.0.

Сценарии применения

  • ответы на вопросы по предоставленному отрывку
  • извлечение короткого ответа из текста
  • проверка, содержится ли ответ в документе
  • воздержание от ответа при отсутствии подтверждения в тексте

Ограничения

Модель небольшая и обучена на нескольких тысячах производных примеров, поэтому ответы могут быть ненадёжными; оптимизация по модели вознаграждения не гарантирует роста точности. Не предназначена для применения в ситуациях с высокими последствиями.

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

Qwen2.5-0.5B grounded RLOO

The RLHF policy. Qwen/Qwen2.5-0.5B-Instruct is supervised-fine-tuned on preferred answers, a reward model is trained on the preference pairs, and this policy is optimized with RLOO against that reward model.

RLOO is the online RL stage in current TRL. The policy samples two completions per prompt, the reward model scores them, and a leave-one-out baseline reduces the variance of the update. A KL penalty (beta 0.05) keeps the policy near the SFT reference. TRL 1.13 removed PPOTrainer; this repository uses the method TRL still ships for online RLHF.

The training data is derived from SQuAD 2.0 and is licensed CC BY-SA 4.0. These weights stay under the base model's Apache 2.0 license.

Prompt

Use the Qwen2.5 chat template. The system message is:

You answer a question using only the passage in the user message. Reply with a short answer taken from the passage. If the passage does not contain the answer, reply with exactly: The passage does not say.

Put the question first and the passage after it in the user message. See app.py in the training repository for a Gradio demo.

Training

  • Policy init: the merged SFT model
  • Reward: the merged reward model from the same run
  • Trainer: TRL RLOOTrainer, LoRA, merged before upload
  • Generations per prompt: 2
  • The config file that produced these weights is named in the metrics section below

Evaluation

Greedy decoding. Strict accuracy requires the gold span in a short reply that does not abstain, or exactly The passage does not say. The table also reports normalized answer EM and token F1 on answerable questions, and semantic abstention on unanswerable questions. Semantic abstention is a short refusal in any wording. A refusal that also gives a span does not count. When the run uses configs/protocol.yaml, these numbers are the article-held-out test split. Trainer logs are not used to select a checkpoint. The win rate is how often this policy's reply scores above the comparison model's reply under the reward model.

resolved.yaml, environment.json, and run.json in this repository are the configuration, package versions, and wall time for the run. Full predictions are predictions.jsonl in the dataset repository.

Config: protocol.yaml.

ModelStrict acc.AnswerableUnanswerableAnswer EMAnswer F1Semantic abstention
base0.4100.2900.5300.2000.2900.530
always_abstain0.5000.0001.0000.0000.0001.000
sft0.5500.3100.7900.3000.3460.790
rloo0.4750.5900.3600.5200.6160.360
ComparisonReward-model win rateTies
rloo_vs_sft0.4100.565
rloo_vs_base0.5100.340
rloo_vs_always_abstain0.7050.260
sft_vs_base0.2850.480
sft_vs_always_abstain0.3150.670

Limitations

A 0.5B model trained on a few thousand derived pairs will not be a reliable reader. The reward model can be gamed, and RLOO can raise the reward without raising task accuracy. Read the metrics above before treating a win as a better answer. Not for high-stakes use.

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
b1c7e5a

0 моделей