/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Опубликована
26 авг 2026

Qwen3-8B-GRPO-MATH

Генерация текстаТекст → текст3 профессии

Экспериментальное дообучение Qwen3-8B методом GRPO для исследований математических рассуждений и дистилляции.

124скачиваний за 30 дней0лайковвеса обновлены26 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.

  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

Qwen3-8B-GRPO-MATH — экспериментальный исследовательский чекпойнт, созданный xiaoyuchen1 на базе Qwen/Qwen3-8B. Модель дообучена методом GRPO на обучающей части набора Hendrycks MATH с вознаграждением за проверяемость итогового ответа. Это плотная авторегрессионная модель генерации текста с 7,6 млрд параметров и контекстом до 40 960 токенов; опубликованные веса представлены в формате safetensors.

Чекпойнт предназначен для исследований обучения математическим рассуждениям с подкреплением и дистилляции на собственных траекториях. В оценках README он улучшил результаты базовой модели на AIME 2024/2025 и MATH-500, однако часто формирует существенно более длинные решения. Для AIME автор рекомендует бюджет около 16 384 токенов: при меньшем лимите ответы часто обрезаются и получают нулевую оценку.

Это короткий экспериментальный запуск, а не готовый релиз: обучение охватило 120 обновлений и около 0,26 эпохи, использован один seed, а на многих группах задач градиентный сигнал был слабым. Модель не предназначена для развёртывания. Лицензия — Apache-2.0.

Сценарии применения

  • исследование обучения математическим рассуждениям с подкреплением
  • сравнение GRPO с базовой моделью Qwen3-8B на математических задачах
  • изучение влияния длины ответа на решение задач AIME
  • подготовка траекторий учителя для дистилляции математической модели

Ограничения

Это короткий запуск обучения: 120 обновлений, около 0,26 эпохи и один seed; модель не предназначена для развёртывания. Ответы значительно длиннее, чем у базовой модели, и при ограничении генерации могут часто обрезаться; для оценки AIME автор рекомендует бюджет около 16 384 токенов.

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

Qwen3-8B-GRPO-MATH

Qwen3-8B trained with GRPO on the Hendrycks MATH training split, using verifiable final-answer rewards. Produced as the RL teacher for a study on how much of a teacher's RL gain survives on-policy distillation into a smaller student.

This is a short-budget research checkpoint, not a tuned release. It is 120 optimizer updates over roughly a quarter of one epoch. See Honest limitations below before using it.

Training

Base modelQwen/Qwen3-8B
AlgorithmGRPO (group-relative advantage, no critic)
Frameworkslime - SGLang rollout + Megatron training + Ray
DataEleutherAI/hendrycks_math train split, 7,496 prompts after dropping 4 with no parseable oxed{} answer
RewardRule-based final-answer equivalence (slime --rm-type math)
Optimizer updates120
Rollout batch16 prompts/step x 8 samples = 128
Global batch128 (so 1 update per rollout step)
Learning rate1e-6, constant
Max response length4,096 tokens
Chat modenon-thinking (enable_thinking=false)
Precisionbf16, --use-precision-aware-optimizer --optimizer-cpu-offload
Hardware1x H100 NVL (93 GiB), ~2 h

Prompt coverage is 16 x 120 = 1,920 of 7,496 prompts, i.e. 0.26 epoch.

Reward-function caveat worth repeating

slime ships three math scorers and only one is correct for these labels. Verified on 300 real MATH labels by constructing responses that are correct by definition:

--rm-typetrue positivesfalse positives
math300/3000/300
dapo202/3000/300
deepscaler0/3000/300

deepscaler splits on </think> and returns 0 for every non-thinking response; dapo needs a literal Answer: line. Only ~64% of MATH labels are numeric, the rest are symbolic LaTeX, and math handles all 94 symbolic labels in the sample. This model was trained with --rm-type math.

Evaluation

avg@16 / pass@16, non-thinking chat mode, temperature 1.0, top-p 1.0, no top-k, scored with the same harness for every row.

AIME 2024 + 2025, at a 16,384-token budget where truncation is 0-1% and the headline number is no longer budget-limited:

avg@16pass@16mean lengthtrunc%
Qwen3-8B (base)22.0946.72,3250.0
this model34.2766.75,2030.6 / 1.0

MATH-500, at a 4,096-token budget:

avg@16pass@16
Qwen3-8B (base)80.8492.8
this model85.5094.6

pass@16 rises alongside avg@16 on every benchmark, so this run expanded the set of solvable problems rather than only sharpening the top-1 answer.

Read the budget before you read the score

The model roughly doubles its response length (2,325 -> 5,203 tokens), and a truncated response scores exactly zero. The same checkpoint measured at smaller budgets:

AIME 24/25 avg@164,0968,19216,384
score28.9634.0634.27
truncation48.5% / 46.0%21.0% / 17.7%0.6% / 1.0%

At 4,096 tokens you are largely measuring how often it finishes, not whether it can solve the problem. Give it 16k.

Honest limitations

  • Short budget. 120 updates, 0.26 epoch of the 7,496 prompts. Not a converged RL run.
  • Weak gradient signal. MATH is easy for Qwen3-8B: mean rollout reward ran 0.65-0.97, and 12-13 of every 16 prompt groups had zero reward variance, so ~78% of rollout compute produced no gradient. A harder prompt set or DAPO-style dynamic sampling would help.
  • Length inflation. See the budget table above. This is the single easiest way to mis-measure this model.
  • The training response cap matters enormously. An otherwise identical run with the rollout cap at 2,048 instead of 4,096 tokens reached only +2.04 overall and lost a point on MATH-500. The cap, not the step count, was the binding constraint.
  • Single seed. AIME24/25 are 30 problems each; repeated avg@16 evaluations of the same model differ by about +/-2 points. Treat any difference under 2 points as noise.

Intended use

Research on RL-for-reasoning and on-policy distillation. Not intended for deployment.

License

Apache-2.0, inherited from Qwen3-8B. The MATH dataset is MIT-licensed.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
9a0042b

0 моделей