/ Модель

Характеристики

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

Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1

Генерация текстаТекст → текст3 профессии

Диалоговая модель Qwen2.5 на 3,1 млрд параметров, дообученная для решения математических задач и ответов в образе Шелдона Купера.

962скачиваний 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

Это диалоговая модель Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1, разработанная в рамках проекта Harvard CS 2881R. Она основана на Qwen2.5-3B-Instruct-Sheldon-RLAIF-grpo-v2 и дообучена с подкреплением по проверяемому математическому вознаграждению; финальный LoRA-адаптер объединён с весами, сохранёнными в формате bf16 Safetensors. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов.

Модель предназначена для диалоговых ответов в образе Шелдона Купера и решения математических задач с пошаговым рассуждением и итоговым ответом в формате \boxed{}. В README приведены результаты на MATH-500, GSM8K и AIME; модель восстановила значительную часть математических способностей, утраченных на предыдущих этапах обучения, но уступает исходной Qwen2.5-3B-Instruct по некоторым метрикам. Обучение ориентировано на точность конечного ответа, поэтому качество объяснений и математических ответов не гарантируется для всех задач.

Карточка указывает лицензию «other», но не описывает её условия, поэтому перед использованием следует проверить лицензионные сведения репозитория. Модель рассчитана на английский язык.

Сценарии применения

  • решение математических задач с пошаговым рассуждением
  • ответы на задачи формата MATH-500
  • решение школьных текстовых задач GSM8K
  • генерация диалоговых ответов в образе Шелдона Купера

Ограничения

По результатам README модель уступает исходной Qwen2.5-3B-Instruct по ряду математических метрик, включая MATH-500 и GSM8K. Обучение вознаграждает совпадение конечного ответа, а не полноту или корректность каждого шага рассуждения; условия лицензии «other» следует уточнить в репозитории.

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-RLVR-math-v1 (merged bf16 weights)

Files: merged bf16 safetensors + tokenizer + chat template (final LoRA adapter merged into grpo-v2). Load with plain AutoModelForCausalLM; saved with transformers 5.x (dtype key, chat_template.jinja). Companion repo with the adapter and checkpoints: tbooy/Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1-LoRA.

Stage-3 (RLVR) model of a Harvard CS 2881R project: reinforcement learning with a verifiable math reward on top of tbooy/Qwen2.5-3B-Instruct-Sheldon-RLAIF-grpo-v2 (SFT persona model -> RLAIF GRPO -> this), the persona being Dr. Sheldon Cooper.

Why this stage exists: the persona SFT stage cost most of Qwen2.5-3B-Instruct's competition-math ability (MATH-500 greedy 68.0 -> 35.4), and the RLAIF stage did not recover it. This run trains only on a binary exact-answer reward to see how much RLVR can recover.

Reward: 1 if the last \boxed{} answer matches the reference (exact fast path, then math-verify equivalence), else 0. Completions that hit the 2,048-token cap are masked out of the loss and group statistics. DAPO soft overlong penalty (cache 512 tokens) on terminated completions.

Training: TRL 1.13 GRPOTrainer subclass, LoRA r=32/alpha=64 on all linear projections, AdamW lr 2e-5 (betas 0.9/0.95, eps 1e-15, wd 0.01), WSD schedule (10 warm-up, stable to 160, linear decay to 10% over the last 40), 200 steps x 16 prompts x 16 completions (51k rollouts), T 1.0, CISPO loss (eps_high 5), group-std advantages, zero-variance groups masked, prompt-level aggregation, no KL, fp32 LM head. vLLM colocated on 2x H200, 2 h 13 min. Prompts: rasbt/math_full_minus_math500 (MATH train + the MATH-test problems not in MATH-500), with a further 189 near-duplicates of MATH-500 removed (10-gram / edit-similarity >= 0.9) and a pass-rate curriculum from seed-model rollouts. Prompt format: Qwen system prompt, the problem, then Please reason step by step, and put your final answer within \boxed{}.

Evaluation (vLLM; MATH-500 avg@4 at T 0.6, 4,096 tokens; AIME avg@16 / pass@16; GSM8K test greedy):

modelMATH-500 greedyMATH-500 avg@4L3-5 avg@4L5GSM8KAIME 24 / 25 / 26 avg@16AIME pass@16mean tokens
Qwen2.5-3B-Instruct (base)68.066.659.040.186.18.1 / 2.3 / 4.421.1633
RLAIF grpo-v2 (seed)34.029.621.010.663.60.4 / 0.4 / 0.03.3357
this model65.063.555.237.381.95.0 / 2.7 / 2.317.8541

MATH-500 levels 3-5 avg@4 by checkpoint: 25: 27.3, 50: 35.4, 75: 43.5, 100: 49.6, 125: 52.9, 150: 52.3, 175: 55.2, 200: 55.2.

Honest summary: RLVR recovered most of the math ability lost in the persona stages (+34 points on MATH-500 L3-5 over the seed) but ends 3-4 points below the untouched base model on MATH-500 and GSM8K and below it on AIME pass@16; gains plateaued after ~125 steps, when about half the prompt groups were all-correct or all-wrong. Persona after RLVR (measured 2026-09-26; results/rlvr/persona_rlvr-main.md): GPT-5.6 Luna pairwise judge win rate 0.545 [0.48, 0.61] against the grpo-v2 seed on 199 held-out prompts, cast names 43% vs 39%, Bazinga 3.6% vs 1.2%, announced jokes 22% vs 30%; the cost is length (36% of chat replies hit the 400-token cap vs 18%). Persona leakage into MATH-500 answers 1.8% (seed 2.8%).

Code, reward, grader and write-up: https://github.com/TBOO-Y/cs2881r-sheldon-sft (rlvr/, results/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
a27dc99

0 моделей