/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-OpenR1-SFT
Библиотека
transformers
Опубликована
6 окт 2026

Qwen2.5-1.5B-OpenR1-SFT-GRPO

Генерация текстаТекст → текст

Экспериментальная текстовая модель Qwen2.5 на 1,5 млрд параметров, дообученная по схеме SFT и GRPO для генерации решений математических задач.

177скачиваний за 30 дней0лайковвеса обновлены6 окт 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

zbeeb/Qwen2.5-1.5B-OpenR1-SFT-GRPO — плотная авторегрессионная языковая модель семейства Qwen2.5, разработанная на базе Qwen и дообученная автором репозитория в рамках исследования OpenR1. Это финальный чекпойнт последовательности SFT → GRPO: обучение с подкреплением началось с zbeeb/Qwen2.5-1.5B-OpenR1-SFT и использовало математический набор Staleness-GRPO-DAPO-Math-17k после этапа SFT на примерах OpenR1.

Модель предназначена для генерации текстовых ответов и решений математических задач, в том числе в диалоговом формате. Она содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке заявлен английский язык; модель доступна в формате Safetensors и использует библиотеку Transformers.

В репозитории сохранены веса, токенизатор, конфигурация генерации и журналы обучения и оценки. В README указано, что из 1 000 обновлений GRPO ненулевую норму градиента имели только 4; завершение обучения само по себе не доказывает улучшения рассуждений. Модель экспериментальная, и результаты на конкретных задачах следует проверять отдельно. Лицензия — Apache-2.0.

Сценарии применения

  • генерация пошаговых решений математических задач
  • ответы на математические вопросы в диалоговом формате
  • изучение влияния GRPO на математические рассуждения
  • оценка поведения модели на текстовых математических задачах

Ограничения

В README отмечено, что ненулевую норму градиента имели только 4 из 1 000 обновлений GRPO, а завершение обучения не подтверждает улучшение качества рассуждений. Качество ответов на конкретных задачах требует отдельной проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-1.5B-OpenR1-SFT-GRPO

Built with Qwen. This is the final SFT → GRPO checkpoint from the OpenR1 token-level study. GRPO started from zbeeb/Qwen2.5-1.5B-OpenR1-SFT at revision 5d49da8b71902b88e37326e77486d968c1696eb8, after its 278-update SFT run on 20,016 selected OpenR1 examples. This repository contains the exact saved final weights, tokenizer and generation configuration.

Completion and learning signal

The run completed 1,000 optimizer updates, final fixed-probe evaluation, and the independent selected-token probability check. Of those updates, 4 had a nonzero gradient norm and 996 had a zero gradient norm. Completion does not establish improved reasoning performance. Zero-gradient updates can still move weights through Adam momentum or weight decay. The full recorded metrics and learning-signal counts are retained for analysis.

Training recipe

SettingValue
FrameworkPrime RL 0.9.0
Prime revisionab5de8fff44b2c4a5c85e24b6e6e3f7d57eee7b1
Datasetzbeeb/Staleness-GRPO-DAPO-Math-17k
Dataset revision53064564abf94eac096877a61d63e92ac4217433
Dataset rows17,005
Updates1,000
Batch32 responses: four prompts × eight responses
Learning rate1e-06
Scheduler30-update warmup, then constant
OptimizerAdamW, weight decay 0.01, gradient clipping at norm 1
LossPPO ratio clipping at 0.2
AdvantageReward minus group mean, without standard-deviation normalization
Reference-policy KL penaltyNone
Zero-advantage groupsRetained; they contribute zero policy-loss gradient
Maximum off-policy age8 updates
SamplingTemperature 1, top-p 1
Response limit3,072 tokens
Total context4,096 tokens
Seed42
Saved tensor dtypesF32

training-config.json records the resolved settings. Environment variables, headers and credential values are excluded, and cluster-specific absolute paths are replaced by their basenames.

Use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "zbeeb/Qwen2.5-1.5B-OpenR1-SFT-GRPO"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, dtype=torch.bfloat16, device_map="auto")
messages = [
    {"role": "system", "content": "Please reason step by step, and put your final answer within \\boxed{}."},
    {"role": "user", "content": "Solve 2x + 3 = 11."},
]
inputs = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=3072, do_sample=True, temperature=1.0, top_p=1.0, eos_token_id=[151643, 151645], pad_token_id=151643)
print(tokenizer.decode(outputs[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Included measurements

metrics.jsonl.gz preserves the unfiltered native trainer, orchestrator, inference and benchmark metrics. study-metrics-rank-*.jsonl contains the trained-token counts, independently checked probabilities, gradient norms and memory measurements. evaluation-summary.jsonl contains the unchanged OpenR1 train/held-out reference-probe summaries at RL step 0 and every 100 updates through 1,000, using teacher forcing and free generation. Probe labels describe membership in the original SFT population; they are not a new split of the RL dataset.

These repositories publish checkpoints and compact run logs. The larger per-token Parquet exports, raw rollout traces and system logs remain preserved in the experiment's persistent storage. No full-vocabulary logit table or optimizer recovery state is included. provenance.json, learning-signal.json and export-manifest.json record the input SFT checksums, completion evidence, source revisions, artifact sizes and SHA-256 hashes.

License and attribution

The original model license is retained verbatim in LICENSE. Notice records upstream attribution and the modifications from SFT and GRPO. This model is distributed under the upstream model license.

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
1581e69

0 моделей