К содержимому
Языковые модели

Qwen3-1.7B-Countdown-DrGRPO-512tok

обучение компактной LLM решать числовые головоломки

3 мин чтения

Модель представляет собой полную дообученную версию языковой модели Qwen3-1.7B (1,72 млрд параметров), натренированную решать арифметическую головоломку Countdown: из 3 или 4 заданных чисел нужно составить выражение с операциями + - * /, чтобы получить целевое число. Автор calmcam использовал метод Dr.GRPO (вариант обучения с подкреплением без штрафа за отклонение от исходной модели) в рамках эксперимента по сравнению алгоритмов GRPO и Dr.GRPO при жестком ограничении на длину ответа в 512 токенов. В отличие от базовой версии, которая часто не укладывалась в лимит токенов на размышления и ошибалась, дообученная модель научилась рассуждать компактнее и повысила точность с 15,7% до 57,5%. Чекпоинт пригодится исследователям RL-методов (обучения с подкреплением) и разработчикам, изучающим сжатие цепочек рассуждений в малых моделях.

Ключевые особенности

  • Рост точности в 3,6 раза: на тестовой выборке точность с первой попытки выросла с 15,7% у базовой Qwen3-1.7B до 57,5%, а метрика pass@4 (хотя бы один верный ответ из 4 попыток) достигла 66,1%.
  • Компактные рассуждения: средняя длина генерации сократилась с 496 до 382 токенов, а доля ответов, упирающихся в лимит 512 токенов, упала с 81% до 44%.
  • Сравнение с GRPO: чекпоинт входит в серию из четырех моделей, обученных на одинаковых данных — версия с Dr.GRPO на 512 токенов немного уступает аналогу на базе классического GRPO (61,7%).
  • Быстрое обучение: модель прошла полнопараметрический файнтюн всего за 80 шагов с фиксированным бюджетом на размышления и итоговый ответ.

Что можно сделать

  • Сравнить поведение алгоритмов GRPO и Dr.GRPO на одинаковых математических задачах, сопоставив этот чекпоинт с соседними моделями из серии автора.
  • Использовать модель как готовый решатель головоломок Countdown в образовательных ботах или локальных скриптах с инференсом через transformers или vLLM.
  • Изучить влияние жесткого лимита токенов на качество цепочек рассуждений (thinking mode) у компактных моделей семейства Qwen3.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "calmcam/Qwen3-1.7B-Countdown-DrGRPO-512tok"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="bfloat16", device_map="auto")
messages = [{"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Using the numbers [44, 19, 35], create an equation that equals 98... Keep your reasoning under 512 tokens."}]
out = model.generate(**tok(tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=False), return_tensors="pt").to(model.device), max_new_tokens=512, temperature=1.0, top_p=1.0, stop_strings=[""], tokenizer=tok)
ПодробнееБенчмарк Countdown-Tasks-3to4 (1024 задачи): точность 57,5% (1 попытка), 85,1% на задачах с 3 числами и 29,9% на задачах с 4 числами (mean@4).
Обучение: 80 шагов (16 промптов × 8 генераций на шаг), оптимизатор AdamW, lr 7e-06, формат bfloat16.
Ограничения: модель чувствительна к формату промпта (требуются теги и ) и при запуске без явных параметров генерации не останавливается на автоматически.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.2 GB · готовые файлы4.7 GB
  • FP8 / INT8рекомендуемвеса 1.6 GB3.1 GB
  • 4-bitвеса 0.9 GB2.4 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # calmcam/Qwen3-1.7B-Countdown-DrGRPO-512tok — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve calmcam/Qwen3-1.7B-Countdown-DrGRPO-512tok --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3-1.7B-Countdown-DrGRPO-512tok
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3-1.7B
  1. Qwen3-1.7B-Baseоснова семьи
  2. Qwen3-1.7B
  3. Qwen3-1.7B-Countdown-DrGRPO-512tok

Новые посты про версии Qwen3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

calmcam/Qwen3-1.7B-Countdown-DrGRPO-512tok
Автор
calmcam
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

GameDojo-4B

GameDojo-4B