/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-OpenR1-SFT
Библиотека
transformers
Опубликована
6 окт 2026

Qwen2.5-3B-OpenR1-SFT-GRPO

Генерация текстаТекст → текст

Плотная языковая модель Qwen2.5 на 3,1 млрд параметров, дообученная этапами SFT и GRPO для генерации ответов и решений математических задач.

415скачиваний 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-GRPO — плотная авторегрессионная языковая модель семейства Qwen2, разработанная на базе Qwen и дообученная автором репозитория в рамках исследования OpenR1 token-level. Это итоговый чекпойнт последовательного обучения SFT и GRPO: GRPO начиналось с zbeeb/Qwen2.5-3B-OpenR1-SFT после SFT на 20 016 отобранных примерах OpenR1; для GRPO использовался набор zbeeb/Staleness-GRPO-DAPO-Math-17k. Модель содержит 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текстовых ответов и решений математических задач.

Модель подходит для экспериментов с математическими рассуждениями и изучения обучения с подкреплением на уровне токенов. В отчёте указано, что обучение завершило 1 000 обновлений оптимизатора, однако у 961 обновления была нулевая норма градиента; сам факт завершения обучения не подтверждает улучшение качества рассуждений. Репозиторий содержит веса, токенизатор, конфигурацию генерации и журналы измерений. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели и сопутствующим материалам.

Сценарии применения

  • генерация решений математических задач
  • эксперименты с математическими рассуждениями языковой модели
  • изучение влияния GRPO на генерацию текста
  • анализ обучения на уровне токенов по журналам эксперимента

Ограничения

В описанном запуске 961 из 1 000 обновлений имели нулевую норму градиента, а завершение обучения само по себе не доказывает улучшения рассуждений. Указана лицензия other; точные условия использования нужно сверить с карточкой модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-3B-OpenR1-SFT-GRPO

Built with Qwen. This is the final SFT → GRPO checkpoint from the OpenR1 token-level study. GRPO started from zbeeb/Qwen2.5-3B-OpenR1-SFT at revision cb7b5998cbaca7550177b5c2cb5c1ce83cd68892, 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, 39 had a nonzero gradient norm and 961 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/Qwen2.5-3B-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 checkpoint checksums, training arm, 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
3fc251f

0 моделей