К содержимому
Другое

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

набор LoRA для решения математики через умный RL

2 мин чтенияобновлено

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.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.3 GB · готовые файлы5.2 GB
  • FP8 / INT8рекомендуемвеса 2.2 GB2.9 GB
  • 4-bitвеса 1.3 GB1.9 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.

Это LoRA: вместе с базовой моделью Qwen3.5-2B.

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

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.

    # Munchic/Qwen3.5-2B-Math-SFT-RL
    # ===== 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 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-2B
  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.

Семья модели

Нужна базовая модель

Qwen/Qwen3.5-2B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. Qwen3.5-2B-Baseоснова семьи
  2. Qwen3.5-2B
  3. Qwen3.5-2B-Math-SFT-RL

Новые посты про версии Qwen3.5-2B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 10Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

Munchic/Qwen3.5-2B-Math-SFT-RL
Автор
Munchic
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии