К содержимому
Языковые модели

SmolLM2-1.7B GSM8K DPO

математика на 1.7B, обученная на своих ошибках

2 мин чтения

SmolLM2-1.7B GSM8K DPO — это 1.7B causal decoder-only модель (Llama architecture, семейство SmolLM2) от Eiad Essam для пошагового решения английских школьных задач. Финальная модель учебного курса: SFT на GSM8K, затем DPO на собственных правильных и ошибочных решениях SFT-модели; лицензия Apache 2.0.

Ключевые особенности

  • Два этапа: SFT на GSM8K, затем DPO на preference-парах из ответов самой SFT-модели.
  • Пары собраны из 2 000 train-вопросов GSM8K, по 4 решения на вопрос; получилось ≈2 640 обучающих пар.
  • DPO + NLL-член (рецепт RPO), чтобы не снижать вероятность правильных решений; TRL DPOTrainer + PEFT LoRA, адаптеры merged.
  • Обучение на одной NVIDIA L4 в Google Colab, bf16; LoRA r=32, α=64, 2 эпохи.
  • Специализирована на английских GSM8K-задачах, это не general-purpose ассистент.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = 'EiadEssam/smollm2-1.7b-gsm8k-v2-dpo'
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map='auto')
messages = [{'role': 'user', 'content': 'Question: Sara has $120. She spends 1/4 on books and $18 on lunch. How much left? Answer:'}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors='pt', return_dict=True).to(model.device)
out = model.generate(**inputs, max_new_tokens=320, do_sample=False)
print(tok.decode(out[0][inputs['input_ids'].shape[1]:], skip_special_tokens=True))
ПодробнееGSM8K test (1 319 задач, 0-shot, LightEval): SFT-only — 40.86% ± 1.35, SFT+DPO — 35.71% ± 1.32, то есть DPO снизил accuracy.
Железо: одна NVIDIA L4 (Colab), bf16, LoRA r=32, α=64, 2 эпохи.
Ограничения: только английский и GSM8K-стиль; 1.7B всё ещё ошибается и может зацикливаться. Не использовать без проверки там, где важны расчёты.
Обсудить Telegram 0 45

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # EiadEssam/smollm2-1.7b-gsm8k-v2-dpo
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 EiadEssam/smollm2-1.7b-gsm8k-v2-dpo --local-dir ~/models/smollm2-1.7b-gsm8k-v2-dpo
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к smollm2-1.7b-gsm8k-v2-dpo
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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

Новые посты про версии smollm2-1.7b-gsm8k-v2-dpo — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

EiadEssam/smollm2-1.7b-gsm8k-v2-dpo
Автор
EiadEssam
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

450

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии