К содержимому
Языковые модели

PowerRL R1-Distill 1.5B

математическая модель с регулировкой глубины рассуждений

2 мин чтенияобновлено

Компактная языковая модель на 1.78B параметров для решения олимпиадных математических задач с настраиваемой длиной цепочки рассуждений (reasoning effort). Она основана на DeepSeek-R1-Distill-Qwen-1.5B и дообучена методом обучения с подкреплением (RL) автором steviel на датасете DAPO-Math-17k. Главная фишка — выбор одного из пяти уровней усилия через системный промпт (от минимального Low до максимального Xhigh), что позволяет напрямую управлять балансом между точностью ответа и затраченными токенами. Подойдёт разработчикам и исследователям, которым важен контроль расхода токенов при локальном запуске лёгких рассуждающих моделей.

Ключевые особенности

  • 5 уровней рассуждений через системный промпт: Low, Limited, Mid, High и Xhigh (четыре взяты из метода ORBIT, уровень Limited добавлен специально для этой модели).
  • Прямой компромисс скорости и точности: на уровне Low модель тратит в среднем 723–898 токенов, а на High — около 7100 токенов, поднимая точность почти в 2.5 раза.
  • Полные объединённые веса в формате bf16 (шаг обучения 1500), токенизатор и шаблон чата полностью унаследованы от базовой модели.
  • Контекст генерации до 16 384 токенов и вывод финального ответа в стандартном формате \boxed{}.

Что можно сделать

  • Встроить в локальный сервис проверки или решения математических задач на Python с помощью библиотеки transformers, переключая режимы в зависимости от сложности вопроса.
  • Провести эксперименты по оптимизации инференса, подбирая минимально достаточный уровень рассуждений (например, Limited или Mid) для экономии вычислительных ресурсов.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "steviel/powerrl-r1distill-1.5b-16k-step1500"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="auto", device_map="auto")

messages = [
    {"role": "system", "content": "You have limited time to think and respond to the user’s query. ..."},
    {"role": "user", "content": "Find n <= 100 such that n^2 + 1 is divisible by 5. Let's think step by step and output the final answer within \\boxed{}."},
]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, max_new_tokens=16384, do_sample=True, temperature=0.6, top_p=0.95)
print(tok.decode(out[0, inputs.shape[1]:], skip_special_tokens=True))
ПодробнееБенчмарк AIME 2024: точность 43.0% на уровне High (7109 токенов), 35.7% на Mid (4054 токена) и 17.9% на Low (898 токенов).
Бенчмарк AIME 2025: 31.1% на High (7073 токена), 27.9% на Mid (3248 токенов) и 14.9% на Low (723 токена).
Обучение: 1500 шагов (128 задач × 16 сэмплов) с наградой за правильность ответа и штрафом за длину в зависимости от выбранного уровня.
Ограничения: обучена и протестирована только на олимпиадной математике (англ. язык); ответы длиннее 12 000 токенов верны лишь в 9% случаев (против 89% для ответов короче 4000 токенов).
Обсудить Telegram 0 35

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.3 GB · готовые файлы4.1 GB
  • FP8 / INT8рекомендуемвеса 1.7 GB2.5 GB
  • 4-bitвеса 0.9 GB1.7 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.

    # steviel/powerrl-r1distill-1.5b-16k-step1500 — 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 steviel/powerrl-r1distill-1.5b-16k-step1500 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к powerrl-r1distill-1.5b-16k-step1500
  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

Новые посты про версии DeepSeek-R1-Distill-Qwen-1.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

steviel/powerrl-r1distill-1.5b-16k-step1500
Автор
steviel
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

350

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Qwen3-8B-heretic

Qwen3-8B-heretic