/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Опубликована
18 сен 2026

math-slm-qwen2.5-0.5b-v4

Генерация текстаТекст → текст3 профессии

Компактная дообученная модель для пошагового решения задач GATE и других задач по математике.

1 575скачиваний за 30 дней1лайквеса обновлены28 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

team03 Math SLM v4 — модель команды team03 (SLM Learners), созданная для пошагового решения задач по математике в стиле экзамена GATE и по общей математике. Это дообученная на базе Qwen2.5-0.5B-Instruct плотная авторегрессионная модель Qwen2 с 494 млн параметров. Для обучения применялся QLoRA; итоговые веса объединены с базовой моделью. Доступны веса Safetensors и квантованный GGUF Q8_0 для запуска, в том числе на CPU. Метаданные указывают контекст до 32 768 токенов, однако обучение проводилось на последовательностях длиной 2 048 токенов, поэтому README предупреждает, что более длинные задачи обрезаются.

Модель предназначена для свободных вопросов и ответов по математике: на простые запросы она может дать краткий ответ, а для сложных обычно формирует рассуждение и отдельную строку с итогом. Подходит для подготовки к GATE и другим конкурсным экзаменам, а также для учебной практики. В оценке авторов отмечены приемлемые результаты на части задач по алгебре и математическому анализу, но общая инструкция-выполняемость слабая: модель часто добавляет многословное рассуждение даже при требованиях к строгому формату ответа. Проверка знаний основана на небольшом и неравномерном наборе задач, поэтому оценки по отдельным темам ненадёжны.

Модель выпущена под лицензией Apache-2.0. В карточке указан английский язык; README описывает математические задачи, но не заявляет поддержку других естественных языков.

Сценарии применения

  • пошаговое решение задач по математике
  • подготовка к экзамену GATE
  • ответы на вопросы по алгебре
  • решение задач по математическому анализу
  • получение объяснений к математическим задачам

Ограничения

Слабо следует строгим требованиям к формату и часто добавляет многословное рассуждение; задачи длиннее 2 048 токенов могут обрезаться, несмотря на больший контекст, указанный в метаданных. Оценка знаний проведена на небольшом неравномерном наборе, поэтому результаты по отдельным темам и уровням сложности шумные.

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

team03 Math SLM — v4 (GATE + General Mathematics)

A domain-specific small language model for step-by-step math problem solving, built by team03 (SLM Learners) for the Pramana SLM++ Bootcamp Round 2 submission.

  • Base: Qwen2.5-0.5B-Instruct (494M params, fine-tuned — not from scratch)
  • Method: QLoRA (r=16, 4-bit NF4 base, bf16 compute), merged into the base weights
  • Domain: GATE-style + general mathematics
  • Intended users: GATE / competitive-exam aspirants and math students
  • Use case: free-form math QA — direct answers for simple prompts, chain-of-thought + "Final answer:" for complex ones

How to use

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained(
    "singhmandavi/math-slm-qwen2.5-0.5b-v4", torch_dtype=torch.float16)
tok = AutoTokenizer.from_pretrained("singhmandavi/math-slm-qwen2.5-0.5b-v4")

msgs = [{"role": "user", "content": "What is 17 * 23? Solve step by step."}]
text = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
enc = tok(text, return_tensors="pt")
out = model.generate(**enc, max_new_tokens=1024, temperature=0,
                     pad_token_id=tok.eos_token_id)
print(tok.decode(out[0][enc["input_ids"].shape[1]:], skip_special_tokens=True))

For an OpenAI-compatible endpoint, serve with serve_hf.py (stdlib + transformers only, no Ollama needed).

GGUF (CPU / Ollama / llama.cpp)

A Q8_0 GGUF quantization is included for CPU inference and llama.cpp-based runtimes (no GPU required). Tested on CPU with llama.cpp and imported into Ollama.

# Ollama (uses the bundled Modelfile.v4)
ollama create math-slm-v4 -f Modelfile.v4
ollama run math-slm-v4 "What is 17 * 23?"

# llama.cpp
./llama-cli -m math-slm-v4-q8_0.gguf -p "What is 17 * 23?" --temp 0 --top-k 1

Quantization is Q8_0 (8-bit) — effectively lossless for this 0.5B model relative to the fp16 safetensors. Max context 2,048 tokens, matching the training length.

Training details

ItemValue
Corpustrain_all.jsonl — 29,853 rows (14,308 direct + 15,545 CoT)
Effective train / val23,532 / 471 (after --drop-overlong, 5,850 CoT rows ≥2048 tokens dropped)
SourcesExamBench (169Pi/exambench, Apache-2.0, commit b5f3d8b) + MathNet IMO split (CC-BY-4.0)
OptimizerAdamW (betas 0.9/0.999, eps 1e-8, wd 0.01)
LR1.5e-4, cosine decay, ~132 warmup steps (3% of total)
Effective batch16 (2 micro-batch × 8 grad-accum)
Epochs / steps3 / 4,410 logged (theoretical total 4,413 = 1,471/epoch × 3; last multiple of 5 logged)
Max seq len2,048
LoRAr=16, alpha=32, dropout 0.05, all proj targets (q/k/v/o/gate/up/down); 8.8M trainable params (1.75%)
Hardware1× NVIDIA H100 80GB, ~1.84 GPU-hours
Seed7
Tokens seen53,356,887 (last logged, step 4,410)

Precision note: training ran in bf16 compute (QLoRA 4-bit NF4 base), but the merged checkpoint uploaded here is float16 (the merge step reloads the base in fp16).

Data provenance & decontamination

  • Public Hugging Face datasets pulled via pull_data.py; licenses verified through the HF API on 2026-09-05 and recorded in data_manifest.md.
  • Decontamination: 13-gram word overlap (GPT-3/Chinchilla style) + MinHash-LSH Jaccard (threshold 0.5) against held-out eval sets — 0 exact matches / 0 8-gram hits vs the held-out set, and 0 overlap vs IMO 2025.
  • Held-out eval set built with build_heldout_eval.py from raw ExamBench rows never used in training, with a final overlap check that fails loudly on any contamination.
  • Caveat (documented, not hidden): the GATE-PYQ-specific contamination check was blocked (IIT-KGP site down at the time) and never re-run; and a byte-for-byte SHA-256 cross-check between the Kaggle-side and Studio-side corpus copies was not performed — only the row count (29,853) is confirmed to match.

Evaluation results

Level 1 — training health (eval/results_level1_v4.json)

CheckResult
Numerical stabilityPASS
UndertrainingPASS (loss reduction 19.7%)
OverfittingOK (final gap 0.14, stable)
Gradient explosionOK
ConvergenceFAIL (marginal — loss trend ticks up in the final 10% of steps; consistent with cosine-decay/batch noise rather than real instability, since all other checks are healthy)

Level 2 — general capability / instruction following (eval/results_level2_v4.json)

  • Instruction-following score I = 8/33 (24.24%).
  • Main failure mode: the model prepends a "here is the thinking process..." CoT preamble even under strict format constraints (one-word, JSON-only, exact word counts), despite usually getting the underlying answer right. This is inherited from the CoT-heavy training mix and is the main quality gap.

Level 3 — domain knowledge (eval/results_level3_v4.json)

Run post-hoc against the merged checkpoint served over HTTP (serve_hf.py + evaluate.py --level 3), against the 126-row held-out set (eval/heldout_eval.jsonl, SHA-256 d2ac7ef3…).

MetricResult
Breadth0.500 (threshold 0.600)
Depth0.570
Difficulty-weighted0.500
L3 composite0.521

Official composite: L3 = 0.30×Breadth + 0.30×Depth + 0.40×DifficultyWeighted = 0.30×0.500 + 0.30×0.570 + 0.40×0.500 = 0.521.

Sub-domainDepth-weightedAdequate (≥0.6)
Algebra0.625Yes
Calculus0.675Yes
Combinatorics / General0.531No
Trigonometry / Geometry0.450No
DifficultyScore
Easy0.219
Medium0.500
Hard0.781

Caveat: the 126-row held-out set is unevenly distributed across sub-domains and difficulty (combinatorics alone holds 113 of 126 rows; several algebra/calculus/trig buckets have n=1–2), so per-bucket scores are noisy. The easy (0.219) < hard (0.781) inversion is consistent with that noise plus the verbose-CoT bias — short-answer easy prompts get a rambling preamble — rather than a genuine capability ordering.

Limitations

  • Weak instruction-following under strict output-format constraints (see Level 2 above).
  • Convergence check fails marginally (noisy end-of-run loss slope); training itself was otherwise healthy.
  • Verbose-CoT bias — mitigated but not eliminated by including 48% direct-format rows.
  • Trained at 2,048 tokens context; longer problems are truncated rather than handled.
  • Level 3 estimates rest on a small, unevenly distributed 126-row held-out set; some sub-domain/difficulty buckets have n=1–2, so per-bucket scores (and the easy<hard inversion) are noisy.

Reproducibility

  • Training log: logs/training_log.jsonl (official L1 schema: step, train_loss, val_loss, lr, grad_norm, tokens_seen)
  • Training events: logs/training_events.jsonl
  • L1/L2/L3 eval reports: eval/results_level1_v4.json, eval/results_level2_v4.json, eval/results_level3_v4.json
  • Held-out eval set: eval/heldout_eval.jsonl (126 rows, SHA-256 d2ac7ef3…)
  • Exact dependency list: reproducibility/dependency_versions.txt (211 packages, pip freeze from the GPU node)
  • Corpus hash (SHA-256): eb4fecba0468286afe3e4960c8680c45f87e46d414941d0614dfe2f5ad518be5

The uploaded artifact is the merged final checkpoint (weights + tokenizer + configs). The best/ LoRA adapter referenced by the training run was not uploaded — unnecessary for a merged model, and it is not claimed to be present.

License

Base model Qwen2.5-0.5B-Instruct is Apache-2.0. Training data: ExamBench (Apache-2.0) and MathNet (CC-BY-4.0, attribution required).

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
824aef7

0 моделей