/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Опубликована
6 сен 2026

ModernBERT-base-AIME-24-25-26-router-qe-binary-vibethinker1.5b-5runs_1eval-10ep-lr5e-05

Классификация текстаТекст → label3 профессии

Бинарный классификатор на ModernBERT оценивает ответы VibeThinker-1.5B на задачи AIME и решает, принять их или передать запрос более сильной модели.

13скачиваний за 30 дней0лайковвеса обновлены6 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Бинарный классификатор качества ответов для каскада языковых моделей, разработанный ymoslem для проекта CRE-Router. Он анализирует решение VibeThinker-1.5B задачи AIME и предсказывает, принять ответ или направить запрос более сильной модели. Модель основана на encoder-архитектуре ModernBERT-base, содержит 149 млн параметров и имеет контекст до 8192 токенов; карточка указывает английский язык и формат safetensors.

Для использования нужно передать вопрос, последние 1000 слов ответа, ограниченные 4096 токенами, и число токенов в ответе в заданном обучением формате с разделителями токенизатора. На тестовой выборке из 450 ответов точность составила 0,887, а macro F1 — 0,851, однако эта выборка также применялась для ранней остановки обучения. Модель обучена на выводах именно VibeThinker-1.5B и не переносится на ответы другой компактной модели без переобучения; значительная часть сигнала связана с длиной ответа, поэтому длиновое правило следует использовать как базовый ориентир. Лицензия CC BY-NC-SA 4.0.

Сценарии применения

  • отбор ответов VibeThinker-1.5B для каскада решения задач AIME
  • маршрутизация математических запросов к более сильной модели
  • оценка вероятности правильности сгенерированного ответа AIME

Ограничения

Модель предназначена для ответов VibeThinker-1.5B и может не переноситься на выводы других генераторов без переобучения. Тестовая выборка использовалась и для ранней остановки, а качество сопоставимо с простым правилом по длине ответа.

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

AIME quality estimator, VibeThinker-1.5B

A binary accept/route classifier for a two-tier LLM cascade on AIME. It reads a VibeThinker-1.5B answer and predicts whether that answer is correct. A route prediction means escalate the query to a stronger model.

Trained for CRE-Router on ymoslem/AIME-24-25-26-router.

The generator is named on purpose. This estimator is trained on VibeThinker-1.5B outputs and should be applied to VibeThinker-1.5B outputs. It does not transfer to a different efficient tier without being retrained.

Input format

Build the input exactly as it was trained, or the scores will not mean what they should:

text = f"{question} {tokenizer.sep_token} {last_1000_words_of_output} "\
       f"{tokenizer.sep_token} {num_output_tokens}"

Keep only the last 1,000 words of the model's output, then truncate at 4,096 tokens. Class 0 is route, class 1 is accept.

Results

On the 450 rows of test_vibethinker, 90 problems from AIME 2024 to 2026 scored across 5 sampled runs:

ClassF1PrecisionRecall
Route0.7790.7890.769
Accept0.9240.9200.928
Macro0.851

Accuracy 0.887. It escalates 114 of 450, catching 90 of the 117 wrong answers and wrongly escalating 24 correct ones.

Two caveats worth reading before using these numbers

The evaluation split is also the early-stopping split. This is deliberate, so the checkpoint stays comparable with the earlier estimators in this project, but it means 0.851 is a selection criterion rather than a held-out score.

Much of the signal is output length, and a length rule does as well. The input string ends with the token count, and the predicted accept probability correlates $-0.77$ with it. Composing the actual cascade, VibeThinker-1.5B escalating to Qwen3-30B-A3B-Thinking, and matching the number of escalations:

Escalation ruleEscalatedCascade accuracy
none, always VibeThinker074.0%
random11576.7%
this classifier11483.1%
longest answers first11584.1%
all, always Qwen3-30B45085.8%

Selecting clearly beats not selecting: against random escalation of the same count the classifier gains 6.4 pp. But it does not beat sorting by output length, and the difference between them, $+0.98$ pp for the length rule, has a 95% interval of $[-0.98, +3.47]$ that spans zero. Report the length rule as the baseline, not random.

Training

ModernBERT-base, 10 epochs with early stopping at patience 4, best epoch 3, learning rate 5e-5, effective batch 64 (16 with 4 accumulation steps), class weights for the 86% accept majority, on one A100.

Licence

CC BY-NC-SA 4.0, inherited from the training data, whose AIME 2026 source carries non-commercial share-alike terms. The base model is Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForSequenceClassification
Ревизия весов
202d4b1

0 моделей