/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
12,3 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B
Библиотека
transformers
Опубликована
18 сен 2026

Qwen2.5-3B-GRPO-Staleness-4

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen2.5-3B для генерации текста и решения математических задач.

432скачиваний за 30 дней0лайковвеса обновлены18 сен 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

Qwen2.5-3B-GRPO-Staleness-4 — полноразмерный чекпойнт, дообученный командой zbeeb на базе Qwen/Qwen2.5-3B методом GRPO на 17 005 примерах математического датасета DAPO. Модель предназначена для генерации ответов и решения математических задач; её можно использовать для экспериментов и приложений, где требуется языковая модель с математической специализацией.

Модель использует плотную архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текст. Нативная длина контекста по конфигурации — 32 768 токенов; при обучении использовался контекст до 4 096 токенов, а генерация ответов — до 3 072 токенов. В карточке указаны английский и китайский языки. Веса опубликованы в Safetensors; лицензия обозначена как other.

Обучение с GRPO поощряло математическую эквивалентность конечного ответа. В README приведены оценки на нескольких математических наборах, однако они относятся к обучающему запуску и не являются независимой свежей оценкой экспортированного файла. Расширение контекста до 8K не настроено и не проверено; при использовании некоторых серверов может потребоваться явно задать стоп-токены.

Сценарии применения

  • решение задач по математике с пошаговой генерацией ответа
  • проверка математической эквивалентности итогового ответа
  • эксперименты с обучением языковых моделей методом GRPO
  • создание чат-приложений для ответов на математические вопросы

Ограничения

Оценки в README получены в ходе обучения и не являются независимым бенчмарком экспортированной модели. Расширение контекста до 8K не настроено и не проверено; некоторым серверам может потребоваться явная настройка стоп-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

Qwen2.5-3B-GRPO-Staleness-4

Final step-1000 full-parameter GRPO checkpoint of Qwen/Qwen2.5-3B, trained on the shared 17,005-row DAPO math dataset.

Training

Staleness cap: 4 (max_off_policy_steps). This limits rollout policy age during training, not decoding length. The run used 3 trainer GPUs and 2 inference GPUs. The model started from the pinned base model with fresh optimizer state; higher-cap runs are not continuations of lower-cap models.

PrimeRL v0.9.0; 1,000 updates; batch size 64; group size 8; seed 42; AdamW learning rate 1e-6; 30 warmup updates; PPO clip 0.2; no reference KL penalty. Training uses a 4,096-token total context and up to 3,072 completion tokens. The deterministic reward scores mathematical equivalence of the terminal answer. See training-config.json. GPU topology varies across some arms, so comparisons are not pure staleness ablations.

Export and stopping

Full saved-dtype model weights are exported losslessly to sharded Safetensors. Export checks include step-1000 provenance, finite tensors, strict reload, tied embeddings, tokenizer round-trip, and identical CPU probe logits before and after serialization. Optimizer state remains in the source checkpoint. See export-manifest.json.

The training tokenizer identifies <|im_end|> (151645) as EOS. For inference compatibility, generation_config.json stops on both 151645 and <|endoftext|> (151643). Model weights and tokenizer are unchanged by this stopping configuration. Use explicit stop IDs if your serving engine ignores the generation configuration. The native positional configuration is preserved; this release does not configure or validate 8K context extension.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = 'zbeeb/Qwen2.5-3B-GRPO-Staleness-4'
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto")
messages = [{'role': 'user', 'content': 'Solve the following math problem. Explain your reasoning. End with either \\boxed{...} or a final line `Final answer: ...`.\n\nCompute 2 + 2.'}]
inputs = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)
assert inputs["input_ids"].shape[-1] <= 1024
output = model.generate(**inputs, max_new_tokens=3072, do_sample=False, eos_token_id=[151645, 151643], pad_token_id=tokenizer.pad_token_id)
print(tokenizer.decode(output[0, inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Final training-run evaluations

Scores use final policy 1000. Greedy rows use one completion per question. Sampled rows use eight completions per question at temperature 0.6 and report mean answer accuracy, not pass@8. MATH500, AMC and AIME use 3,072 output tokens; Minerva and OlympiadBench use 2,048. All nine final sets have zero recorded evaluation errors. These are training-run results, not a fresh benchmark of the exported artifact or an 8K comparison.

BenchmarkCompletionsAccuracyTruncated
aime24-pass13010.00%10.00%
aime24-sampled2403.75%9.17%
aime25-pass1300.00%6.67%
aime25-sampled2402.50%2.50%
aime26-sampled2402.50%4.58%
amc23-pass14037.50%5.00%
math500-pass150064.40%3.40%
minerva-pass127225.00%4.41%
olympiadbench-pass167527.26%9.78%

Machine-readable results and dataset revisions: evaluation-results.json. Training data was filtered against these evaluations; this does not establish absence of pretraining contamination or all near-duplicates. The 3B model uses general Qwen2.5, whereas 1.5B uses Qwen2.5-Math; cross-family differences are not attributable solely to size.

License

The upstream base-model license is included unchanged in LICENSE. This checkpoint is a GRPO modification of the cited base revision.

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
fda75b9

0 моделей