/ 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
Библиотека
transformers
Опубликована
9 июл 2025

Master-RM

Генерация текстаТекст → текст3 профессии

Master-RM — многоязычная генеративная модель-судья для проверки корректности ответов по вопросу и эталону и выдачи сигнала вознаграждения.

45скачиваний за 30 дней16лайковвеса обновлены15 июл 2025

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

Master-RM — генеративная модель оценки ответов, разработанная авторами исследования «One Token to Fool LLM-as-a-Judge». Она получает вопрос, эталонный ответ и проверяемый ответ, после чего судит о его корректности; модель предназначена для применения в роли LLM-судьи и выдачи сигнала вознаграждения в сценариях обучения с проверяемыми наградами.

Модель построена на Qwen2.5-7B-Instruct и дообучена методом supervised fine-tuning. Это плотная архитектура Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка заявляет поддержку нескольких языков, включая английский, русский, китайский, японский и другие. Модель ориентирована на общую оценку ответов и усиление устойчивости судейства к поверхностным манипуляциям вроде добавления символов или вводных фраз о ходе рассуждений.

Master-RM рассчитана на использование в оценке ответов, отборе примеров и обучающих контурах RLVR; README сообщает об улучшенной устойчивости относительно ряда коммерческих моделей и специализированных верификаторов. Это заявление относится к результатам авторов исследования и не гарантирует качество на любых данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • проверка ответа модели по вопросу и эталонному ответу
  • оценка корректности свободных ответов в задачах рассуждения
  • отбор ответов для rejection sampling
  • оценивание ответов в обучении RLVR
  • проверка устойчивости LLM-судьи к поверхностным манипуляциям

Ограничения

Надёжность оценки зависит от качества вопроса и эталонного ответа; заявленная устойчивость основана на результатах авторов и не гарантирует превосходство на всех задачах и данных.

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

Robust Reward Model for LLM-as-a-Judge

This repository contains a robust, general-domain generative reward model presented in the paper One Token to Fool LLM-as-a-Judge.

  • Training algorithm: Standard supervised fine-tuning, see Appendix A.2 for more details.

Model Description

Generative reward models (also known as LLMs-as-judges), which use large language models (LLMs) to evaluate answer quality, are increasingly adopted in reinforcement learning with verifiable rewards (RLVR). They are often preferred over rigid rule-based metrics, especially for complex reasoning tasks involving free-form outputs. Despite the seeming simplicity of this comparison task, existing generative reward models exhibit surprising vulnerabilities to superficial manipulations: non-word symbols (e.g., ":" or ".") or reasoning openers like "Thought process:" and "Let's solve this problem step by step." can often lead to false positive rewards.

We find that such weakness is widespread across various LLMs, datasets, and prompt formats, posing a serious threat to core algorithmic paradigms relying on generative reward models, such as rejection sampling, preference optimization, and RLVR.

To mitigate this issue, we train a robust general-domain generative model by leverating a simple yet effective data augmentation strategy. Our reward model demonstates substantially improved robustness over the most advanced commencial models (e.g., GPT-4o, GPT-o1, Claude-4) and specialized generative verifiers (e.g., Omni-Judge, Generative-Verifier).

How to use

Inputting the question, its ground-truth reference, and the response to be evaluated, the model will judge its correctness. An example inference script is provided below.

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("sarosavo/Master-RM")
model = AutoModelForCausalLM.from_pretrained("sarosavo/Master-RM")

PROMPT= '''
Given a problem, determine whether the final answer in the provided (incomplete) solution process matches the reference answer.  
The reference answer may be one single option character (e.g., A, B, C, D), a numerical value, an expression, or a list of answers if multiple questions are involved.  
**The reference answer may be in Chinese or another language, but your evaluation should be language-agnostic.**  

Your task:  
- Compare the final output of the solution process with the reference answer.  
- If they **match exactly**, output **YES**.  
- If they **do not match**, output **NO**.  
- If the solution process is unclear, incomplete, or ambiguous, assume it is incorrect and output **NO**.  

Your output must be strictly **'YES'** or **'NO'**, with no additional words, punctuation, or explanation.  

---

**Question:**  
{question}  

**Solution Process (Final Step Only):**  
{response}  

**Reference Answer:**  
{reference}  

**Output:**  
'''


question="The founder of China's first public kindergarten teacher training school - Jiangxi Experimental Kindergarten Teacher School is (  )."
label="Chen Heqin"
answer="heqin chen"

prompt_question = PROMPT.format(question=question, reference=label, response=answer)
messages=[
           {"role": "system", "content": "You are a helpful assistant."},
           {"role": "user", "content": prompt_question},
         ]

input_ids=tokenizer.apply_chat_template(messages,return_tensors="pt")
output=model.generate(input_ids,do_sample=False)
judgement=tokenizer.decode(output[0][input_ids.shape[1]:],skip_special_tokens=True)
print("Model judgement: ",judgement)

Use this reward model for RLVR training

1. Launch a remote reward server with vllm

The script below will launch a reward at http://127.0.0.1:8000/get_reward

bash reward_server/launch_reward.sh {MODEL_PATH} {ANSWER_PATH} {METRIC}

# MODEL_PATH: the path of our reward model.
# ANSWER_PATH: the path of the training data.
# METRIC: greedy/prob
# This will launch a reward at http://127.0.0.1:8000/get_reward

2. Start RLVR training

bash reward_server/RLVR_train.sh {METHOD} {PRETRAIN_PATH} {DATA_PATH} {REWARD_API}

# METHOD:          advantage estimator, e.g., reinforce_baseline, reinforce, rloo
# PRETRAIN_PATH:   path to the pretrained model, e.g., Qwen2.5-7B
# DATA_PATH:       path to the QA data with which we want to perform RL reasoning
# REWARD_API:      remote reward server url, e.g., http://127.0.0.1:8000/get_reward

Citation

If you use this model, please cite:

@article{zhao2025one,
  title={One Token to Fool LLM-as-a-Judge},
  author={Zhao, Yulai and Liu, Haolin and Yu, Dian and Kung, S.Y. and Mi, Haitao and Yu, Dong},
  journal={arXiv preprint arXiv:2507.08794},
  year={2025}
}

Acknowledgements

The development of this model is built upon Qwen2.5-7B-Instruct-RLVR.

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
9fd43a7

0 моделей