— 16.06.2025: Мы рады поделиться нашей новой версией, сочетающей SFT и RL: AceReason-Nemotron-1.1-7B — Документ: https://arxiv.org/pdf/2506.13284 — Модель: https://huggingface.co/nvidia/AceReason-Nemotron-1.1-7B — Данные 4M SFT: https://huggingface.co/datasets/nvidia/AceReason-1.1-SFT – 11.06.2025: Мы делимся нашим набором инструментов оценки на AceReason Evalution, включая: – сценарии для выполнения выводов и оценки – LiveCodeBench (avg@8): файлы прогнозирования модели и оценки за каждый месяц (2023/5–2025/5) – AIME24/25 (avg@64): файлы прогнозирования модели и оценки — 02.06.2025: Мы рады поделиться нашим набором данных для обучения Math RL на AceReason-Math. Мы очень рады представить AceReason-Nemotron-7B, модель математического и кодового рассуждения, полностью обученную с помощью обучения с подкреплением (RL), начиная с DeepSeek-R1-Distilled-Qwen-7B. Он показывает впечатляющие результаты: 69,0% на AIME 2024 (+14,5%), 53,6% на AIME 2025 (+17,4%), 51,8% на LiveCodeBench v5 (+8%), 44,1% на LiveCodeBench v6 (+7%). Мы систематически изучаем процесс обучения RL посредством обширной абляции и предлагаем простой, но эффективный подход: сначала обучение RL по математическим подсказкам, затем обучение RL по подсказкам только по коду. Примечательно, что мы находим…
Модальности:
Генерация текста
Области применения:
Генерация кода Математика Логика и рассуждение Диалог / чат
Задача: Генерация текста
Автор: nvidia
Теги: qwen2, nvidia, reasoning, math, code, reinforcement learning, conversational, en
Лайков: 21 | Загрузок: 3,261
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
