/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,5 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Math-1.5B
Библиотека
transformers
Опубликована
17 сен 2026

Qwen2.5-Math-1.5B-GRPO-Staleness-4

Генерация текстаТекст → текст3 профессии

Дообученная GRPO модель Qwen на 1,5 млрд параметров для генерации текстовых решений математических задач на английском и китайском языках.

199скачиваний за 30 дней0лайковвеса обновлены17 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-Math-1.5B-GRPO-Staleness-4 — дообученная методом GRPO модель zbeeb на базе Qwen/Qwen2.5-Math-1.5B, предназначенная для генерации решений математических задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось на наборе Staleness GRPO DAPO Math из 17 005 примеров. Модель принимает текстовые запросы и генерирует текстовые решения, поддерживает английский и китайский языки. Контекст составляет 4096 токенов, максимальная длина генерации во время обучения — 3072 токена.

В README описан финальный чекпойнт шага 1000 и обучение с групповым размером 8; функция вознаграждения проверяет математическую эквивалентность итогового ответа. Веса сохранены в Safetensors в исходной точности, модель загружается для инференса в BF16. Лицензия — Apache-2.0. Результаты оценки в README являются самоотчётом разработчика; доступные сведения не позволяют делать выводы о качестве на задачах вне математического домена.

Сценарии применения

  • генерация пошаговых решений математических задач
  • получение итогового ответа к задаче по математике
  • эксперименты с GRPO для математического рассуждения

Ограничения

Модель специализирована на математических задачах, поэтому её пригодность для других областей не подтверждена. Оценки в README приведены разработчиком и основаны на проверке итогового ответа.

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-Math-1.5B-GRPO-Staleness-4

Final step-1000 full-parameter GRPO checkpoint of Qwen/Qwen2.5-Math-1.5B, trained on the shared 17,005-row Staleness GRPO DAPO Math dataset. Part of the Staleness collection by zbeeb.

Training

The configured staleness cap was 4 (max_off_policy_steps = 4), the maximum permitted policy age for training rollouts. The completed run used two trainer GPUs and one inference GPU on three A100 GPUs. The historical cap-2 baseline used three trainer GPUs and two inference GPUs, so execution topology also differs.

The run used Prime RL v0.9.0, GRPO with group size 8 and batch size 64, PPO clipping at 0.2, AdamW at learning rate 1e-6, 30 warmup steps, and seed 42. Training used a 4,096-token total context and a maximum of 3,072 completion tokens. The reward checks mathematical equivalence of the terminal answer; it uses no LLM judge or separate format reward. See training-config.json for settings and pinned provenance.

The 1.5B and 7B models start from Qwen2.5-Math; the 3B model starts from Qwen2.5. Differences across these models cannot be attributed to parameter count alone.

Checkpoint format

This repository contains lossless model weights in their saved floating-point dtype exported from the final distributed training checkpoint as sharded Safetensors, plus the tokenizer used during training. Optimizer and scheduler state remain in the original training checkpoint. The model can be loaded in BF16 for inference, as it was during training evaluation.

The training tokenizer uses <|im_end|> (151645) as EOS. The exported model and generation configurations use the same EOS so generation stops at the end of the assistant turn. The model architecture and original context configuration are preserved; the training and reported evaluations used a total context of 4,096 tokens.

Export validation checks the saved training step, finite tensors, tensor keys and shapes, strict Transformers reload, tokenizer round-trip, tied embeddings where applicable, and identical CPU probe logits before and after serialization. File hashes are recorded in export-manifest.json.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "zbeeb/Qwen2.5-Math-1.5B-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=tokenizer.eos_token_id, pad_token_id=tokenizer.pad_token_id)
print(tokenizer.decode(output[0, inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Final training-run evaluation

Self-reported results for policy step 1000 with the run's deterministic final-answer grader. Greedy rows use one completion per problem. The sampled rows use eight completions per problem at temperature 0.6 and report mean answer accuracy, not pass@8. MATH-500, AMC and AIME use a 3,072-token completion limit; Minerva and OlympiadBench use 2,048.

BenchmarkCompletionsAccuracyTruncated
MATH-50050062.80%2.8%
AMC234045.00%2.5%
AIME243020.00%10.0%
AIME25306.67%3.3%
Minerva Math27216.54%20.6%
OlympiadBench67529.63%8.0%
AIME24 sampled mean2407.92%10.4%
AIME25 sampled mean2405.00%5.4%
AIME26 sampled mean2407.08%4.2%

Exact source revisions and machine-readable results are included in evaluation-results.json and the dataset provenance. The broader post-training benchmark sweep has not yet run. These are final-answer scores and do not establish proof quality. Training data was filtered against the retained evaluations, but this does not establish absence of pretraining contamination or prove that every near-duplicate was removed. Long completions can be truncated.

Data and license

Training data: zbeeb/Staleness-GRPO-DAPO-Math-17k. Base-model revision: 4a83ca6e4526a4f2da3aa259ec36c259f66b2ab2. This checkpoint modifies the base model through 1,000 GRPO training updates. The upstream license is included unchanged in 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
5f0c1ff

0 моделей