/ 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-8

Генерация текстаТекст → текст3 профессии

Математическая языковая модель на 3,1 млрд параметров, дообученная GRPO для генерации решений и ответов на математические задачи.

201скачиваний 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-8 — языковая модель zbeeb на базе Qwen/Qwen2.5-3B, дообученная методом GRPO на 17 005 примерах математического датасета DAPO. Это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров; репозиторий содержит веса Safetensors для Transformers и конфигурацию генерации, останавливающую вывод по двум токенам завершения. Модель принимает текст и генерирует текст; метаданные указывают английский и китайский языки. Контекстная конфигурация — 32 768 токенов, однако обучение использовало общий контекст 4 096 токенов и до 3 072 токенов ответа.

Модель предназначена прежде всего для генерации решений математических задач и ответов на них. При обучении использовалась детерминированная награда за математическую эквивалентность итогового ответа; README приводит результаты оценивания на наборах MATH500, AMC, AIME, Minerva и OlympiadBench, но подчёркивает, что это результаты обучения, а не новая проверка опубликованного экспорта. Параметр staleness cap 8 ограничивал возраст rollout-политики при обучении и не задаёт длину генерации. Расширение контекста до 8K не настроено и не проверено. Лицензия указана как other; конкретные условия следует уточнить в карточке модели.

Сценарии применения

  • генерация пошаговых решений математических задач
  • ответы на задачи из соревнований по математике
  • проверка математической эквивалентности итоговых ответов
  • эксперименты с GRPO-дообучением языковых моделей

Ограничения

Обучение проводилось с контекстом 4 096 токенов; расширение контекста до 8K не настроено и не проверено. Приведённые результаты оценивания относятся к обучающему запуску, а не к независимому свежему тестированию экспортированной модели; конкретные условия лицензии в предоставленных данных не раскрыты.

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-8

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: 8 (max_off_policy_steps). This limits rollout policy age during training, not decoding length. The run used 2 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-8'
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-pass1303.33%16.67%
aime24-sampled2405.83%9.58%
aime25-pass1303.33%10.00%
aime25-sampled2404.17%4.17%
aime26-sampled2404.58%6.67%
amc23-pass14032.50%7.50%
math500-pass150059.40%2.40%
minerva-pass127224.63%2.94%
olympiadbench-pass167526.07%9.93%

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 audit recovery

The training job finished 1,000 updates and all final evaluations but its original post-run validator failed because it required the old step-725 resume checkpoint to remain on disk. That checkpoint is outside the configured retention policy. A separate release audit checks recorded successful resume evidence and retained newer checkpoints, then runs all original policy-age, finite-metric, final-evaluation and final-checkpoint checks. Original training artifacts and Slurm failure history are preserved. 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
4236658

0 моделей