TasaractDavut Emre Taşar
ফিরে যান
মডেল

গণিতের জন্য ছোট Qwen

ছোট মডেল কি গুছিয়ে অঙ্কের উত্তর লিখতে পারে?

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।

মূল শিরোনাম

Qwen-0.5B-GRPO: A Fine-Tuned Math Reasoner

উৎস নথি

মূল উৎস · huggingface.co huggingface.co
উৎসনির্দেশ

Davut Emre Taşar · Qwen-0.5B-GRPO: A Fine-Tuned Math Reasoner · 2025 · emre/Qwen-0.5B-GRPO · https://huggingface.co/emre/Qwen-0.5B-GRPO