/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B
Библиотека
transformers
Опубликована
6 окт 2026

Qwen2.5-3B-OpenR1-SFT

Генерация текстаТекст → текст

Дообученная на математических рассуждениях модель Qwen2.5-3B для генерации текстовых ответов и решений задач.

152скачиваний 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

Qwen2.5-3B-OpenR1-SFT — плотная языковая модель на архитектуре Qwen2, созданная автором репозитория zbeeb путём supervised fine-tuning базовой Qwen/Qwen2.5-3B. Чекпойнт представляет финальный этап SFT в исследовании перехода от SFT к GRPO и обучен на отобранных примерах математических рассуждений из OpenR1-Math-220k. Модель содержит 3,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов.

Модель предназначена для генерации ответов с математическими рассуждениями и диалогового использования. В README описаны 20 016 примеров и 278 шагов обучения; результаты фиксированных проб приведены как экспериментальные измерения, а не как стандартные бенчмарки. Доступные сведения не подтверждают качество на широком круге задач или языков. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория.

Сценарии применения

  • генерация пошаговых решений математических задач
  • объяснение хода математических рассуждений
  • ответы на математические вопросы в диалоговом интерфейсе

Ограничения

Обучение и оценка описаны как исследовательский эксперимент с фиксированными пробами, а не стандартный бенчмарк; качество на других задачах не установлено. Лицензия обозначена как other, поэтому перед использованием нужно проверить её условия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-3B-OpenR1-SFT

Built with Qwen. This is the final supervised fine-tuning checkpoint from a token-level study of the transition from SFT to GRPO. It was trained from Qwen/Qwen2.5-3B at revision 3aab1f1954e9cc14eb9509a215f9e5ca08227a9b. The model weights were modified through supervised fine-tuning; tokenizer and generation settings are the exact saved experiment artifacts.

Training

The SFT stage completed 278 optimizer updates and 20,016 examples, corresponding to one epoch over the selected subset of open-r1/OpenR1-Math-220k at revision e4e141ec9dea9f8326f4d347be56105859b2bd68.

The shared data selection uses complete, locally verified mathematical reasoning traces that fit every model's 4,096-token budget. Overlength examples were excluded rather than truncated. Prompt tokens are masked from the supervised loss. The repository includes the exact selected example IDs and probe IDs in data-selection.json.

SettingValue
FrameworkPrime RL 0.9.0
Prime RL revisionab5de8fff44b2c4a5c85e24b6e6e3f7d57eee7b1
Seed42
Sequence length4096 tokens
Effective batch72 examples
Learning rate2e-05
Schedulercosine
Warmup ratio0.03
Weight decay0.01
Gradient clipping1.0
Training precisionbf16
Saved tensor dtypesF32

The independent cross-entropy calculation passed and the final fixed-probe evaluation completed. train_metrics.jsonl contains the training update metrics; evaluation-summary.jsonl contains the fixed train and held-out probe summaries, including teacher-forced and free-generation measurements. These are experiment probe results, not a claim of standard benchmark performance.

Use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "zbeeb/Qwen2.5-3B-OpenR1-SFT"
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=0.6, top_p=0.95, eos_token_id=[151643, 151645], pad_token_id=151643)
print(tokenizer.decode(outputs[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Study collection and subsequent GRPO stage

This repository contains final SFT weights. Subsequent GRPO checkpoints are published separately in the same study collection after their runs finish. The subsequent RL dataset is zbeeb/Staleness-GRPO-DAPO-Math-17k.

provenance.json, training-config.json, and export-manifest.json record the source model and dataset revisions, training recipe, completion evidence, artifact sizes, and SHA-256 checksums. Optimizer states and recovery checkpoints are not included.

License and attribution

The upstream license is retained verbatim in LICENSE; attribution and modification notices are in Notice. This fine-tuned model is distributed under the same 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
cb7b599

0 моделей