戻る
モデル
小規模 Qwen による数学推論
小さなモデルは解答を順序立てて書けるか。
GSM8K を用いて Qwen2.5-0.5B-Instruct を GRPO で調整し、数値の正しさと指定形式への準拠を別々に評価しました。モデルカードには1エポックの学習と推論例を記載しています。
原題
Qwen-0.5B-GRPO: A Fine-Tuned Math Reasoner
一次資料
原典 · huggingface.co huggingface.co引用情報
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