TasaractDavut Emre Taşar
واپس
ماڈل

Qwen 0.5B · GRPO maths

مقصد

کیا ایک چھوٹا ماڈل ریاضی کا لفظی سوال حل کرنا اور جواب کو ترتیب سے پیش کرنا، دونوں سیکھ سکتا ہے؟ نصف ارب پیرامیٹر والے اس Qwen ماڈل نے تربیت میں GSM8K کے سوالات کا ایک دور مکمل کیا۔ یہ حل لکھتا ہے اور آخری جواب الگ حصے میں رکھتا ہے۔ GRPO تربیت میں عددی جواب اور اس کی پیشکش کو الگ انعامات سے جانچا گیا۔ صاف ستھرے حل میں بھی حساب کی غلطی ہو سکتی ہے۔

ماخذ دستاویزات

اصل ماخذ · huggingface.co Qwen2.5-0.5B-Instruct
حوالہ

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