/ Модель

Характеристики

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

Qwen2.5-3B-Instruct-Sheldon-RLAIF-grpo-v2

Генерация текстаТекст → текст3 профессии

Англоязычная чат-модель Qwen2.5 на 3,1 млрд параметров для ролевых диалогов в образе Шелдона Купера и решения задач GSM8K.

318скачиваний за 30 дней0лайковвеса обновлены21 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

Англоязычная чат-модель на архитектуре Qwen2 с 3,1 млрд параметров, разработанная tbooy как этап RLAIF-постобучения модели Qwen2.5-3B-Instruct-Sheldon-SFT-touchup-v4. Она предназначена для диалогов в образе доктора Шелдона Купера и решения задач GSM8K по математике и STEM. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов.

Обучение выполнено методом GRPO с LoRA, адаптер объединён с весами исходной модели; опубликованы объединённые веса BF16 в формате safetensors. На тесте GSM8K точность сохранилась примерно на уровне исходной модели, а детерминированные штрафы за нарушения правил снизились умеренно. Авторы отмечают, что изменение поведения по оценке LLM-судьи оказалось слишком малым, чтобы отличить модель от исходной; длинные ответы также могут упираться в ограничение генерации обучения в 400 токенов. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

Сценарии применения

  • диалоги и ролевые ответы в образе Шелдона Купера
  • решение математических задач GSM8K
  • ответы на вопросы по STEM-темам в характерном стиле персонажа

Ограничения

По оценке авторов, RLAIF-обучение изменило поведение модели слишком мало, чтобы LLM-судья отличил её от исходной; улучшение детерминированных проверок было умеренным. Лицензия обозначена как other, но её конкретные условия в предоставленных данных не описаны.

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-RLAIF-grpo-v2 (merged bf16 weights)

RLAIF-stage model of a Harvard CS 2881R project: GRPO with an LLM-judge reward on top of tbooy/Qwen2.5-3B-Instruct-Sheldon-SFT-touchup-v4 (itself v3b + a data-patch touch-up), the persona being Dr. Sheldon Cooper and the protected STEM task GSM8K.

Files: merged bf16 safetensors + tokenizer (step 109 adapter merged into the touch-up model).

Reward R = G * (2 * P + F) - rules - 0.5 * false_claim - batch_tax: a persona-blind task gate G (asks satisfied, refusal, harm, self-contradiction, false claims about the user), a pairwise persona score P from sibling comparisons judged in both presentation orders on nine items, a small form bonus F, 17 deterministic rule penalties from the v3b audit (canon table, fabricated corrections, format constraints, loops, preamble, truncation, tool voice, ...) and a rolling-window batch diversity tax. Judge: GPT-5.6 Luna via OpenRouter, calibrated first (v3b beats base 0.98, no position bias on that pair; see rlaif/judge/calibration_luna_v2.md).

Training: TRL 1.13 GRPOTrainer, LoRA r=32/alpha=64, 16 prompts x 8 completions per step, 400-token rollouts (T 0.8), DAPO loss, KL beta 0.04 to the seed, lr 1e-5 constant, 109 steps (4-hour wall-clock cap) on one H100 with vLLM colocated; 5,714 RL prompts (persona, short, constraint, two-turn, verdict, AI-identity, sensitive), no references.

evaltouch-up (seed)grpo-v2
GSM8K test, strict, greedy63.964.0 (63.9-64.9 at every checkpoint)
mean deterministic rule penalty (502 held-out prompts)1.0030.870
repetition-loop term / replies hitting the 400-token cap0.191 / 18.9%0.131 / 17.5%
LLM-judge pairwise win rate vs the seed (200 held-out prompts, both orders)–0.50 [0.45, 0.55]

Honest summary: at this learning rate and step budget the policy moved too little for the judge to tell it from its seed (a 1e-6 run moved nothing at all); the deterministic monitors improved modestly and GSM8K was preserved. The write-up recommends 3e-5 to 5e-5 with a verifiable GSM8K anchor slice for the next run.

Code, reward, judge prompts and write-up: https://github.com/TBOO-Y/cs2881r-sheldon-sft (rlaif/, CHECKPOINT2.md in the course submission). Companion repo: tbooy/Qwen2.5-3B-Instruct-Sheldon-RLAIF-grpo-v2-LoRA (adapter + checkpoints).

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
2315998

0 моделей