/ 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
19 сен 2026

Qwen2.5-3B-GRPO-Staleness-6

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen2.5-3B для генерации ответов на математические задачи.

232скачиваний за 30 дней0лайковвеса обновлены19 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-6 — полноразмерный чекпойнт Qwen/Qwen2.5-3B после 1000 обновлений методом GRPO, обученный автором zbeeb на наборе из 17 005 математических задач DAPO. Это плотная причинная языковая модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации ответов на математические задачи. Модель поддерживает чат; в README описана оценка математической эквивалентности итогового ответа как сигнал вознаграждения при обучении.

Нативный контекст модели составляет 32 768 токенов. В этом обучении использовался общий контекст до 4 096 токенов и генерация ответа до 3 072 токенов; результаты обучения не являются новым бенчмарком экспортированного файла или сравнением на контексте 8K. Модель принимает текст и генерирует текст. Метаданные указывают английский и китайский языки, но карточка не утверждает, что обучение было специально ориентировано на них.

Веса сохранены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия следует проверять в файлах репозитория. Заявленные оценки относятся к финальному состоянию обучения и не являются отдельной оценкой опубликованного артефакта; кроме того, сравнение вариантов с разными ограничениями staleness может быть осложнено различиями в конфигурации оборудования.

Сценарии применения

  • решение математических задач с пошаговой генерацией ответа
  • проверка математической эквивалентности итогового ответа
  • исследование обучения языковых моделей с подкреплением на математических задачах

Ограничения

Описанные оценки получены в ходе обучения и не являются свежим бенчмарком экспортированной модели; результат для контекста 8K не заявлен. Условия лицензии обозначены как other и требуют проверки в репозитории.

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-6

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: 6 (max_off_policy_steps). This limits rollout policy age during training, not decoding length. The original segment used two trainer GPUs and two inference GPUs at tensor parallel size two. The successful recovery resumed full model, optimizer, scheduler and progress state from step 775, kept the two trainer GPUs, and used one inference GPU at tensor parallel size one through step 1000. The recovery increased the startup wait to 7,200 seconds. Its final training job was 2142032 on deep-chungus-10. 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. No 8K benchmark result is claimed by this release.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = 'zbeeb/Qwen2.5-3B-GRPO-Staleness-6'
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%20.00%
aime24-sampled2405.83%9.17%
aime25-pass1303.33%0.00%
aime25-sampled2403.33%2.50%
aime26-sampled2401.67%7.50%
amc23-pass14035.00%7.50%
math500-pass150064.60%2.80%
minerva-pass127226.84%2.21%
olympiadbench-pass167528.30%7.85%

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.

Completion and recovery provenance

Training job 2142032 completed successfully with exit 0:0. The original recovery audit passed, all completion markers match the unchanged training manifest, and a separate release audit repeats the original checks with the frozen recovery overlay. Immutable prelaunch evidence binds the step-775 full-state resume, including retention evidence when the old checkpoint has been pruned normally. This release requires the successful training audit and completion markers; it does not waive a failed training validator. See completion-verification.json.

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
cfc1ce2

0 моделей