/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
32 млрд
Размер весов
65,5 ГБ
Архитектура
qwen2 · dense
Базовая модель
DRIVE-SFT
Библиотека
transformers
Опубликована
12 ноя 2025

DRIVE-RL

Генерация текстаТекст → текст3 профессии

32-миллиардная модель Tencent для генерации кода и решений задач соревновательного программирования, дообученная с помощью двухэтапного обучения с подкреплением.

145скачиваний за 30 дней12лайковвеса обновлены12 ноя 2025

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

DRIVE-RL — языковая модель Tencent, разработанная командой Hunyuan для генерации решений задач соревновательного программирования. Модель построена на архитектуре Qwen2 и дообучена на базе tencent/DRIVE-SFT с помощью двухэтапного обучения с подкреплением и проверяемой наградой: первый этап повышает разнообразие ответов, второй сосредоточен на сложных задачах. По карточке Hugging Face, модель содержит 32 млрд параметров, использует Transformers и Safetensors и поддерживает контекст до 65 536 токенов.

Модель предназначена для генерации кода и рассуждений при решении задач с проверяемыми тестами; в карточке также заявлен интерфейс вызова инструментов. В README сообщается об улучшении результатов на сложных задачах, в том числе о росте Pass@1 на Codeforces OJ относительно SFT-базы. Оценки зависят от набора задач и условий тестирования. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация решений задач Codeforces
  • написание программ для задач LeetCode
  • разработка кода для задач с проверкой по тестам
  • генерация решений сложных алгоритмических задач

Ограничения

Заявленные результаты относятся к конкретным бенчмаркам и условиям оценки, поэтому не гарантируют успешное решение произвольных задач. Лицензия в предоставленных данных не указана.

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

DRIVE: Data Curation Best Practices for Reinforcement Learning wIth VErifiable Reward in Competitive Code Generation

Hunyuan Team, Tencent


Abstract

Recent reasoning-first models have spurred a resurgence of interest in RLVR (Reinforcement Learning with Verifiable Reward). However, advances are dominated by mathematics, with competitive-programming code generation being relatively underexplored. This work investigates how to construct RLVR datasets and presents practical training techniques that yield strong performance.

Our pipeline begins with Supervised Fine-Tuning (SFT) distilled from strong open-source models. This is followed by a two-stage RL process using executable, testcase-driven rewards:

  1. Stage 1 (Entropy Expansion): Training on a large, uniformly distributed set of problems with moderate rollouts (8) and a shorter context (24k) to expand entropy and mitigate repetition.
  2. Stage 2 (Hard-Focus Curriculum): Updating on a small, high-quality set of challenging problems using Pre-GRPO with a large rollout budget (64) under a hard-focus curriculum.

We implement our method on Qwen2.5-32B and achieve state-of-the-art performance among models of similar scale, comparable to leading systems like DeepSeek v3.1.

🚀 The DRIVE Pipeline

Our training pipeline consists of two main phases: Supervised Fine-Tuning (SFT) and a Two-Stage Reinforcement Learning process, as illustrated below.

pipeline_overview

Figure 2: The training pipeline of our models.

Phase 1: Supervised Fine-Tuning (SFT)

We begin by fine-tuning Qwen2.5-32B. The key innovation in this stage is Difficulty-Aware Sampling:

  • We first classify all competitive programming prompts into three categories: easy, medium, and hard.
  • To force the model to focus on more challenging problems, we duplicate hard samples twice in the final SFT dataset.
  • We also augment this with general-purpose coding and reasoning-intensive data to improve overall capabilities.

Phase 2: Two-Stage Reinforcement Learning

After SFT, the model still suffers from low entropy, repetitive generation, and poor performance on hard problems. Our two-stage RL process directly addresses this.

Stage 1: Entropy Expansion

  • Goal: Increase output diversity and reduce repetitive patterns.
  • Data: A large, uniformly distributed set of ~9k problems.
  • Method: We use 8 rollouts and a shorter 24k token length. As shown in Figure 3, this "24k-style" training (blue line) successfully increases entropy, while standard training (orange line) leads to entropy collapse.

entropy_vs_steps

Figure 3: The entropy comparison of 24k-style training and 32k-style training.

Stage 2: Hard-Focus Curriculum

  • Goal: Master the most challenging problems.
  • Data: A small, high-quality set of difficult problems (e.g., the 72, 50, and 32 hardest cases from LiveCode V6).
  • Method: We apply a "hard-focus curriculum" that progressively retains only the most difficult instances. Crucially, we use a large rollout budget (64-80 rollouts) in this stage, which we found essential for stable gains on hard problems.

📊 Key Results

Our final 32B model, DRIVE-RL, achieves state-of-the-art performance among similarly sized models and is competitive with larger 64k-context models.

Figure 1: Performance of our models on various benchmarks.

Pass@1 Performance Comparison

The two-stage RL pipeline provides significant improvements over the SFT baseline, particularly on challenging benchmarks. We see a +58.3% relative improvement on Codeforces OJ.

ModelLiveCode 08-11LiveCode V5LiveCode V6LeetCode Weekly (32)Codeforces OJ (33)
DeepseekV3.1 (64k)0.6920.7130.6930.6880.161
Seed1.6-0715 (64k)0.8030.8240.7700.7430.188
Qwen3-235B-2507 (64k)0.6810.7130.6460.6880.200
------------------
SFT model (32k)0.6020.5940.5490.5780.115
RL Stage 1 model (24k)0.6250.6270.6340.6030.112
DRIVE-RL model (32k)0.6990.6970.7030.6530.182
Rel. Improvement (RL vs SFT)+16.1%+17.3%+28.1%+13.0%+58.3%

(Data sourced from Table 2 in our paper)

Key Findings

  1. Difficulty-aware training is crucial: Standard RL struggles with hard problems. Our hard-focus curriculum (Stage 2) is essential for pushing the model's capabilities.
  2. Entropy expansion is necessary: Skipping Stage 1 (Entropy Expansion) and training only on hard cases hurts generalization to out-of-distribution benchmarks. Both stages are necessary.
  3. Large rollouts for hard problems: A large rollout budget (e.g., 64+) is essential for mastering challenging cases.
  4. Scaling: The DRIVE strategy shows strong, positive scaling trends when applied to a large-scale internal MoE model.

📜 Citation

If you find this work useful, please cite our paper:

@misc{zhu2025drivedatacurationbest,
      title={DRIVE: Data Curation Best Practices for Reinforcement Learning with Verifiable Reward in Competitive Code Generation}, 
      author={Speed Zhu and Jianwei Cai and Guang Chen and Lulu Wu and Saiyong Yang and Wiggin Zhou},
      year={2025},
      eprint={2511.06307},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2511.06307}, 
}

License

This repository contains two separate licenses for different models:

Please refer to the respective license file for the model you are using.

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
d416e3d

0 моделей