返回
模型
Qwen 0.5B · GRPO maths
用途
小模型能否既学会解数学应用题,也学会清楚地写出答案?这个 5 亿参数的 Qwen 模型在 GSM8K 上训练了一个轮次。它先写出解题过程,再把最后的答案放在独立的小节里。GRPO 训练使用定制的奖励分别检查数值结果和回答格式。即便作答格式整齐,也仍然可能算错。
原始文献
原始来源 · huggingface.co Qwen2.5-0.5B-Instruct引用信息
Qwen 0.5B · GRPO maths · https://huggingface.co/emre/Qwen-0.5B-GRPO