/ Модель

Характеристики

Контекст
262 144 токена
Параметры
581 млн
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-0.8B
Опубликована
10 мар 2026

Qwen3.5-0.8B-GRPO-Math

Генерация текстаТекст → текст3 профессии

Дообученная GRPO компактная языковая модель Qwen3.5 для рассуждений и решения математических задач, рассчитанная прежде всего на zero-shot использование.

32скачиваний за 30 дней2лайкавеса обновлены10 мар 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

Zosma AI разработала Qwen3.5-0.8B-GRPO-Math — дообученную методом GRPO версию Qwen3.5-0.8B для рассуждений при решении математических задач. Это плотная текстовая causal language model семейства Qwen3.5 с 581,4 млн параметров; репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Метаданные указывают контекст до 262 144 токенов.

Модель предназначена для генерации пошаговых рассуждений и ответов на математические текстовые задачи, особенно в режиме zero-shot. В README сообщается о точности 58,0% на GSM8K в zero-shot против 52,1% у исходной модели без дообучения; few-shot примеры снижали результат. Обучение включало этап SFT-разогрева и GRPO на обучающей выборке GSM8K. Карточка позиционирует модель как англоязычную; результаты за пределами описанной оценки и пригодность для других областей не установлены.

Сценарии применения

  • решение текстовых математических задач без примеров в запросе
  • решение задач начальной математики из набора GSM8K
  • генерация пошаговых рассуждений к математическому ответу

Ограничения

По данным README, few-shot примеры снижают точность, поэтому модель рекомендуется использовать в zero-shot режиме. Качество подтверждено только указанной оценкой на GSM8K; результаты на других задачах в карточке не приведены.

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

Qwen3.5-0.8B-GRPO-Math

A reasoning-enhanced version of Qwen3.5-0.8B, trained using GRPO (Group Relative Policy Optimization) — the RL technique behind DeepSeek-R1 — on a single RTX 5090 at Zosma AI.

Also available at: celestialcreator/Qwen3.5-0.8B-GRPO-Math

Results

Eval SettingGSM8K AccuracyNotes
Baseline 8-shot CoT53.5%Pre-trained, no fine-tuning
Baseline zero-shot52.1%Pre-trained, no fine-tuning
GRPO zero-shot58.0% (+5.9pp)Best result — model reasons autonomously
GRPO 8-shot (plain format)50.4% (-3.1pp)Few-shot examples conflict with learned policy
GRPO 8-shot (<think> aligned)34.1% (-19.4pp)Format-aligned examples hurt even more

Key Finding: Demonstration to Policy Shift

GRPO training shifted the model from demonstration-based reasoning to policy-based reasoning.

After training, the model:

  • Performs best in zero-shot — it reasons autonomously using <think> tags
  • Is hurt by few-shot examples — any demonstrations conflict with its learned internal reasoning policy
  • Is hurt even more by format-aligned few-shot — <think> tags in examples caused the model to confuse context with its own generation, dropping to 34.1%

This mirrors what DeepSeek-R1 demonstrated at 670B scale.

Training Pipeline

Phase 1: SFT Warmup

  • Data: 3,558 reasoning examples from 3 sources, standardized to <think> tags
  • Purpose: Solve the cold-start problem — teach the 0.8B model <think> tag format before RL exploration
  • Stats: 1 epoch, loss 0.932, 78% token accuracy

Phase 2: GRPO Training

  • Data: GSM8K train split (7,473 math word problems)
  • Rewards: Math correctness (1.0/0.0) + format reward (0.3 for <think> tags, 0.2 for #### answer)
  • Config: 8 generations/prompt, batch size 1 x 8 grad accum, lr 1e-6, beta=0.04
  • Hardware: Single NVIDIA RTX 5090 (32GB VRAM)
  • Duration: ~77 hours, 15,900 steps (epoch 2.13)

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "zosmaai/Qwen3.5-0.8B-GRPO-Math"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

# Best used in zero-shot — the model has its own reasoning policy
messages = [
    {"role": "system", "content": "You are a helpful assistant that thinks step by step. Show your reasoning inside <think> tags before giving your final answer. End math answers with: #### <number>"},
    {"role": "user", "content": "If a train travels at 60 mph for 2.5 hours, how far does it go?"},
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, do_sample=False)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Note: This model performs best in zero-shot mode. Do not use few-shot examples — they conflict with the model's learned reasoning policy and reduce accuracy.

Training Code

Full pipeline: github.com/CelestialCreator/gpu-lab/tree/main/projects/05-grpo-reasoning

Acknowledgments

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
6ff74a6

0 моделей