Характеристики

Контекст: 32 768 токенов
Параметры: 3,1 млрд
Размер весов: 6,2 ГБ
Лицензия: Своя лицензия
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-3B-Instruct
Библиотека: transformers
Опубликована: 27 авг 2026

Ссылки

Hugging Face

qwen2.5-3b-math-sft-203

veritasium

Генерация текстаТекст → текст3 профессии

Дообученная на математических рассуждениях чат-модель Qwen2.5-3B для генерации решений с целочисленным ответом.

77скачиваний за 30 дней0лайковвеса обновлены27 авг 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 Math SFT 203 — чат-модель Veritasium на архитектуре Qwen2, полученная дообучением Qwen/Qwen2.5-3B-Instruct с помощью completion-only LoRA и supervised fine-tuning. Модель предназначена для генерации математических рассуждений и целочисленных ответов в формате текста; обучающий набор включал 203 проверенных примера с математическими решениями, каждый из которых завершался ответом в формате \boxed{answer}.

Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. В метаданных указана библиотека Transformers и формат safetensors. Доступны сведения о математических данных обучения, но не о поддерживаемых естественных языках или результатах оценки качества, поэтому способность решать задачи за пределами описанного набора не установлена. Лицензия обозначена как other; конкретные условия использования следует сверить с карточкой модели.

Сценарии применения

генерация пошаговых решений математических задач
получение целочисленных ответов в формате \boxed{answer}
эксперименты с дообучением компактных моделей для математики

Ограничения

Дообучение основано на 203 примерах, поэтому качество на иных типах и уровнях сложности математических задач не подтверждено. Языки обучения, результаты оценки качества и конкретные условия лицензии в предоставленных данных не раскрыты.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-3B Math SFT 203

Qwen2.5-3B-Instruct adapted with completion-only LoRA supervised fine-tuning on 203 verified integer-answer mathematical rationales.

Training data

30 designated leaderboard-correction rationales from sft-30.jsonl
173 targeted Train rationales selected for similarity to the 831-problem n=11 majority-voting set
Total: 203 unique examples
Every completion was checked against its labeled integer and ends in \boxed{answer}
Combined dataset SHA-256: b0d64ae9fff26f844056a1dae98e240a2a541889d379901dfac27c70a316c87c

The 173 targeted examples were generated without exposing the labeled answer to the model. The 30 correction examples are explicitly marked as calibration examples in the source dataset. No training examples are included in this model repository.

Training configuration

Base revision: a1d308dfcc03e09da285d49d912439a655a571e8
Objective: completion-only supervised loss
LoRA rank: 16
Learning rate: 1e-5
Maximum sequence length: 2048
Optimizer steps: 120
Training split: all 203 examples; no held-out split
Hardware: 2 x NVIDIA Tesla V100-SXM2 32GB

The uploaded weights are the merged Transformers checkpoint. This derivative remains subject to the Qwen Research License linked above.

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: 610e88a