Skip to content
Other

Qwen3.5-2B-Math-SFT-RL

набор LoRA для решения математики через умный RL

2 min readupdated

Набор LoRA-адаптеров (лёгких надстроек над весами нейросети) для компактной языковой модели Qwen3.5-2B от автора Munchic. Репозиторий посвящён эксперименту по обучению с подкреплением (RL) через алгоритм GRPO на сложных математических задачах уровня MATH. Главная идея — использовать простой предиктор на основе гребневой регрессии, который ещё до генерации ответа оценивает вероятность решения задачи и отбирает для обучения только самые пограничные примеры (с шансом успеха около 50%). Такой отбор позволяет не тратить вычислительные ресурсы на слишком лёгкие или безнадёжные задачи и заметно обходит базовую модель и стандартный RL по точности. Пригодится исследователям RL-методов, разработчикам компактных моделей для логических рассуждений и тем, кто изучает оптимизацию GRPO.

Ключевые особенности

  • Умный отбор задач: предиктор на базе ridge-регрессии оценивает сложность вопроса без предварительной генерации роллаутов (пробных ответов), используя метаданные задачи и сигналы одного прохода по эталонному решению.
  • Эффективный вариант с 1 роллаутом: адаптер PromptSelect-RL-1Rollout использует по 1 генерации на 29 отобранных задач за шаг вместо группы из 8 ответов и достигает лучшего результата за меньшее число роллаутов.
  • Несколько чекпоинтов для сравнения: в одном репозитории лежат все этапы эксперимента — чистый SFT, три сида обычного GRPO и два варианта с отбором промптов.
  • Чёткий формат вывода: все адаптеры обучены с отключённым режимом рассуждений (thinking off) и выдают итоговый ответ внутри конструкции \boxed{}.

Что можно сделать

  • Сравнить стратегии RL-обучения: загружать разные подпапки репозитория поверх Qwen/Qwen3.5-2B (ревизия 15852e8), чтобы на практике проверить разницу между SFT, классическим GRPO и отбором промптов.
  • Решать сложные математические задачи на слабом железе: использовать топовый адаптер Qwen3.5-2B-SFT-PromptSelect-RL-1Rollout-Math-s0 для локального решения задач уровня MATH (уровни сложности 3–5) с лимитом до 1024 токенов.
  • Изучить динамику обучения: заглянуть в файлы metadata.json внутри каждой подпапки, где сохранены детальные разбивки метрик и параметры шагов каждого запуска.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

rev = "15852e8c16360a2fea060d615a32b45270f8a8fc"
base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3.5-2B", revision=rev, dtype="float32")
tok = AutoTokenizer.from_pretrained("Qwen/Qwen3.5-2B", revision=rev)
model = PeftModel.from_pretrained(base, "Munchic/Qwen3.5-2B-Math-SFT-RL",
                                  subfolder="Qwen3.5-2B-SFT-PromptSelect-RL-Math-s0")
ПодробнееТочность на отложенной выборке из 1 000 задач MATH (уровни 3–5, лимит 1024 токена): базовая Qwen3.5-2B — 0.400, после SFT — 0.262, обычный RL (среднее по 3 сидам) — 0.465, PromptSelect RL — 0.526, PromptSelect RL (1 rollout) — 0.541.
Конфигурация LoRA: rank r=16, alpha=32, точность fp32; обучение проводилось на датасете SimpleRL MATH-hard (задачи с рисунками [asy] исключены).
Ограничения: обучение останавливалось при «length runaway» (более 15% обрезанных на 1024 токенах ответов 5 шагов подряд); оба варианта PromptSelect пока обучены только на одном сиде.
Discuss Telegram 1

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 4.3 GB · ready files5.2 GB
  • FP8 / INT8recommendedweights 2.2 GB2.9 GB
  • 4-bitweights 1.3 GB1.9 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

This is a LoRA: counted together with its base model Qwen3.5-2B.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # Munchic/Qwen3.5-2B-Math-SFT-RL
    # ===== Tokens: paste yours between the quotes =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens, for gated models
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Qwen/Qwen3.5-2B --local-dir ~/models/Qwen3.5-2B
    hf download Munchic/Qwen3.5-2B-Math-SFT-RL --local-dir ~/models/Qwen3.5-2B-Math-SFT-RL
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to Qwen3.5-2B
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

Requires the base model

Qwen/Qwen3.5-2B

This model is a LoRA / adapter. Download the base model first, then load this one on top.

  1. Qwen3.5-2B-Basefamily root
  2. Qwen3.5-2B
  3. Qwen3.5-2B-Math-SFT-RL

New posts about versions of Qwen3.5-2B-Base (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 10All on Hugging Face
Merges 2All on Hugging Face

About the model

Munchic/Qwen3.5-2B-Math-SFT-RL
Author
Munchic
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

01

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments