/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1
Библиотека
transformers
Опубликована
27 сен 2026

Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v2-fullft

Генерация текстаТекст → текст3 профессии

Диалоговая Qwen2.5 на 3,1 млрд параметров, дообученная полным обновлением весов для пошагового решения математических задач и общения в образе Шелдона Купера.

272скачиваний 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-RLVR-math-v2-fullft — диалоговая языковая модель команды проекта Harvard CS 2881R, основанная на Qwen2.5-3B и дообученная с обновлением всех параметров методом RLVR для решения математических задач. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат весов BF16 safetensors. Она принимает текстовые запросы, поддерживает чат и контекст до 32 768 токенов.

Модель предназначена для пошагового решения задач по математике с записью итогового ответа в формате \boxed{}. В обучении использовались наборы задач MATH, DeepMath, DAPO-Math и DeepScaleR; среди оценочных наборов — MATH-500, AIME и GSM8K. Модель сохраняет образ Шелдона Купера для обычного диалога, но при решении математики персонаж может проявляться в ответах.

В README сообщается о небольшом приросте точности относительно предыдущей версии с LoRA: +1,6 пункта на MATH-500 avg@4 и +1,7 на уровнях 3–5; авторы отмечают, что прирост находится в пределах примерно 1,5 пункта от шума оценки. Ограничения — многословность в обычном чате и частое достижение лимита генерации: 44% ответов в диалоговой проверке упёрлись в предел 400 токенов. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

Сценарии применения

  • пошаговое решение задач из MATH и олимпиадной математики
  • решение арифметических текстовых задач в стиле GSM8K
  • генерация решений с итогом в формате \boxed{}
  • диалоговое общение с персонажем Шелдона Купера

Ограничения

Модель склонна к многословию в обычном чате: в оценке 44% ответов достигли лимита в 400 токенов. Прирост точности относительно предыдущей версии невелик и находится около диапазона шума оценки; лицензия указана как other.

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-v2-fullft (bf16 weights)

Files: bf16 safetensors + tokenizer + chat template. Load with plain AutoModelForCausalLM; saved with transformers 5.x (dtype key, chat_template.jinja). Stage-3c model of a Harvard CS 2881R project (persona: Dr. Sheldon Cooper): a full-parameter RLVR continuation of tbooy/Qwen2.5-3B-Instruct-Sheldon-RLVR-math-v1 (Qwen2.5-3B-Instruct -> persona SFT -> RLAIF -> LoRA RLVR v1 -> this).

Why this model exists: after the v1 LoRA run plateaued (MATH-500 levels 3-5 at ~55 while about half the prompt groups had become all-correct), two LoRA continuations with a re-labelled, pool-expanded difficulty schedule stayed flat, so the last attempt on this seed trained all parameters instead: AdamW lr 2e-6 (betas 0.9/0.95, eps 1e-15, wd 0.01), fp32 master weights, bf16 autocast, fp32 LM head, WSD (warm-up 5, constant, linear decay over the last 20 of 100 steps to 0.1x), 100 steps x 16 prompts x 16 completions, T 1.0, 2,048-token cap, CISPO loss (eps_high 5), group-std advantages, prompt-level aggregation, truncated and zero-variance groups masked, DAPO soft overlong penalty, no KL. Generation by a vLLM server on one H200, training on two.

Prompts: a 64,686-problem pool (MATH-12k = MATH train + MATH-test minus MATH-500; DeepMath-103K difficulty 5-8; DAPO-Math-17k; DeepScaleR-Preview), deduplicated and filtered against MATH-500, AIME 2024/25/26 and GSM8K test (10-gram or edit-similarity >= 0.9). Each prompt was labelled with the seed model's pass rate over 8 rollouts; training drew prompts with weight p(1-p) inside [1/8, 7/8] plus a 10% slice of never-solved prompts, with per-source caps (MATH-12k 30%, DeepMath 30%, DAPO 20%, DeepScaleR 20%). 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 greedyavg@4L3-5 avg@4L4L5GSM8KAIME 24 / 25 / 26 avg@16AIME pass@16mean tokens
Qwen2.5-3B-Instruct (base)68.066.659.060.540.186.18.1 / 2.3 / 4.421.1633
RLAIF grpo-v2 (RLVR seed)34.029.621.021.710.663.60.4 / 0.4 / 0.03.3357
RLVR-math-v1 (LoRA, this model's seed)65.063.555.256.437.382.05.0 / 2.7 / 2.317.8541
this model65.465.156.960.935.383.05.2 / 1.9 / 3.816.7633

L3-5 avg@4 by checkpoint: 25: 55.2, 50: 55.4, 75: 56.0, 100: 56.9 (monotone; largest step during the LR decay).

Persona (502 held-out prompts, greedy, 400 tokens; GPT-5.6 Luna pairwise judge, both orders, 199 prompts): win rate 0.495 [0.43, 0.56] against grpo-v2, i.e. persona preserved on substance (cast names 38%, Bazinga 6.6% vs 1.2%, canon errors 0.4% vs 2.2%, fewer template openers) at the cost of length: 44% of chat replies hit the 400-token cap (seed 18%), short prompts run 116 words vs 69, and the stage-2 rule penalty rises 0.87 -> 1.20, all from length and truncation terms. Persona leakage into MATH-500 answers 1.2%.

Honest summary: +1.6 (avg@4) / +1.7 (levels 3-5) over the LoRA seed, within ~1.5 points of the untouched base model on MATH-500 and level with it on level 4; still 5 points short on level 5 and 3 on GSM8K. The gain is at the edge of the eval's noise band but monotone over four checkpoints. Verbosity on non-math prompts is the known side effect.

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
332ea64

0 моделей