Model

Qwen 0.5B · GRPO maths

Kullanım amacı

Küçük bir model hem sözel matematik problemini çözmeyi hem de sonucunu düzenli sunmayı öğrenebilir mi? Yarım milyar parametreli bu Qwen modeli GSM8K soruları üzerinde bir eğitim turu geçirdi. Çözümü yazıp sonucu ayrı bir bölüme koyuyor. GRPO eğitiminde sayısal sonuç ve yanıtın biçimi ayrı ödüllerle değerlendirildi. Düzeni kusursuz görünen bir cevapta bile işlem hatası olabiliyor.

Temel model veya yöntem
Qwen2.5-0.5B-Instruct

Kaynaklar

Qwen 0.5B · GRPO maths