TasaractDavut Emre Taşar
Kembali
Model

Qwen 0.5B · GRPO maths

Tujuan

Bisakah model kecil belajar memecahkan soal cerita matematika sekaligus menyajikan jawabannya dengan rapi? Model Qwen dengan setengah miliar parameter ini berlatih satu putaran pada GSM8K. Model menulis penyelesaian dan menaruh jawaban akhir di bagian tersendiri. Saat pelatihan GRPO, fungsi imbalan khusus memeriksa hasil angka dan format jawaban secara terpisah. Penyelesaian yang rapi tetap bisa mengandung kesalahan hitung.

Dokumen sumber

Sumber asli · huggingface.co Qwen2.5-0.5B-Instruct
Sitasi

Qwen 0.5B · GRPO maths · https://huggingface.co/emre/Qwen-0.5B-GRPO