/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
27 сен 2026

Qwen2.5-3B-Instruct-Sheldon-Combined-v1

Генерация текстаТекст → текст3 профессии

Экспериментальная чат-модель Qwen2.5 на 3,1 млрд параметров для математических ответов и генерации в образе Шелдона Купера.

375скачиваний за 30 дней0лайковвеса обновлены27 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

Qwen2.5-3B-Instruct-Sheldon-Combined-v1 — экспериментальная разговорная модель tbooy, созданная полным дообучением Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft. Она сочетает продолжение обучения на задачах конкурсной математики с оптимизацией персонажа доктора Шелдона Купера; архитектура — плотная Qwen2, около 3,1 млрд параметров, формат весов — BF16 Safetensors, максимальный контекст — 32 768 токенов. Модель предназначена для генерации ответов в чате, решения математических задач и сравнения подходов к настройке разговорного персонажа.

В оценке математические результаты остались близки к исходной модели, а некоторые нежелательные речевые шаблоны персонажа исчезли. При этом ответы стали заметно короче и менее характерными для Шелдона: модель редко упоминает персонажей, не использует фирменное «Bazinga» и по голосу не превосходит исходную. Авторы выпустили её для сравнения и анализа, а не рекомендуют как лучший вариант модели Шелдона. Лицензия указана как other; конкретные условия в доступных данных не описаны.

Сценарии применения

  • решение задач конкурсной математики в чате
  • ответы на задачи уровня GSM8K
  • сравнение методов обучения разговорного персонажа
  • эксперименты с объединённым математическим и персонажным вознаграждением

Ограничения

Ответы в среднем заметно короче эталонных и слабо передают характер Шелдона: модель редко называет персонажей и не использует «Bazinga». Авторы отмечают, что по оценке голоса она не превосходит исходную модель.

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

Qwen2.5-3B-Instruct-Sheldon-Combined-v1 (bf16 weights)

Files: bf16 safetensors + tokenizer + chat template; plain AutoModelForCausalLM, transformers 5.x format. Stage-4 model of a Harvard CS 2881R project (persona: Dr. Sheldon Cooper): a full-parameter RL continuation of tbooy/Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft with a combined reward: each step mixes 8 competition-math prompts scored by an exact-answer verifier (+ DAPO soft length penalty) and 8 persona prompts scored by the stage-2 judged reward (task gate x (2 x pairwise persona win rate + form) - 17 rule penalties - false-claim penalty - batch tax; judge GPT-5.6 Luna via OpenRouter, both presentation orders). Group-normalised advantages keep the two reward scales separate; truncated and zero-variance groups are masked; CISPO loss; AdamW 2e-6, fp32 master weights, WSD; 80 steps x 16 prompts x 16 completions, 2,048-token cap; 1 h 48 min on 3x H200.

Evaluation (MATH-500 avg@4 at T 0.6, 4k tokens; AIME avg@16 / pass@16; GSM8K greedy; persona: 502 held-out prompts, greedy, 400 tokens, GPT-5.6 Luna pairwise judge vs the RLAIF seed grpo-v2, both orders, 200 prompts):

modelMATH-500 greedyavg@4L3-5L5GSM8KAIME pass@16rule penaltytemplate openerscast namesmean wordshit 400 capjudge vs grpo-v2
Qwen2.5-3B-Instruct (base)68.066.659.040.186.121.1------
RLAIF grpo-v234.029.621.010.663.63.30.8764%39%21318%-
RLVR-math-v2-fullft (seed)65.465.156.935.383.016.71.2057%38%25544%0.495
this model65.264.856.934.183.017.80.154%8%901%0.485
gold references------0.6535%70%2620%-

Honest summary: math is unchanged from the seed (the verifiable half of the reward held it), and every persona defect the stage-2 rules penalise is gone (template openers, announced jokes, loops, truncation, canon errors; persona leakage into math answers 0.4%). But the policy reached that by becoming terse and plain: replies average 90 words (gold 262), name the cast in 8% of replies (gold 70%), never say "Bazinga" (gold 11%); the pairwise judge cannot separate it from the seed (0.485, CI 0.42-0.55) and scores it worse on "voice" while better on template, answer-first and register. Reading: the reward's positive persona term is sibling-relative, so the cheapest path was to avoid penalties rather than to be more Sheldon. Released for the record and for comparison, not as the recommended persona model.

Code, rewards and write-up: https://github.com/TBOO-Y/cs2881r-sheldon-sft (rlvr/, results/rlvr/NOTES.md).

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
9841c14

0 моделей