ফিরে যান
মডেল
Qwen 0.5B · GRPO maths
উদ্দেশ্য
একটি ছোট মডেল কি গণিতের কথায়-লেখা সমস্যা সমাধান করা আর উত্তর সাজানো, দুটোই শিখতে পারে? ৫০ কোটি প্যারামিটারের এই Qwen মডেল প্রশিক্ষণে GSM8K-এর প্রশ্নগুলো একবার করে দেখেছে। এটি সমাধান লিখে চূড়ান্ত উত্তর আলাদা অংশে দেয়। GRPO প্রশিক্ষণে সংখ্যাগত উত্তর ও লেখার বিন্যাস আলাদা পুরস্কারে যাচাই করা হয়েছে। সুন্দরভাবে সাজানো সমাধানেও হিসাব ভুল হতে পারে।
উৎস নথি
মূল উৎস · huggingface.co Qwen2.5-0.5B-Instructউৎসনির্দেশ
Qwen 0.5B · GRPO maths · https://huggingface.co/emre/Qwen-0.5B-GRPO