Мы представляем ReasonFlux-PRM, модель вознаграждения процесса с учетом траектории (PRM), специально разработанную для оценки типа следа рассуждения типа «траектория-ответ». ReasonFlux-PRM включает в себя контроль как на уровне шагов, так и на уровне траектории, обеспечивая детальное назначение вознаграждений в соответствии со структурированными данными цепочки мыслей. ReasonFlux-PRM может поддерживать как оффлайн, так и онлайн-надзор за вознаграждением, отбирая высококачественные обучающие данные для уточнения модели, предоставляя плотные вознаграждения на уровне процесса для оптимизации политики во время обучения с подкреплением и обеспечивая масштабирование времени тестирования на основе вознаграждений. Тип модели Размер Возможности Варианты использования Загрузить ReasonFlux-PRM PRM 7B • Оценка с учетом траектории • Онлайн/офлайн контроль • Плотное вознаграждение за процесс Отбор данных, обучение RL, масштабирование времени тестирования 🤗 7B ReasonFlux-PRM PRM 1.5B • Упрощенная оценка • Эффективный вывод • Edge развертывание Приложения с ограниченными ресурсами 🤗 1.5B ReasonFlux-PRM-Qwen-2.5 Сквозная обученная модель политики 7B • Длинные рассуждения CoT • Решение сложных задач и проблем Математическое и естественнонаучное рассуждение 🤗 7B >Примечание: мы получаем ReasonFlux-PRM-Qwen-2.5-7B в ходе сквозного процесса обучения, сначала применяя SFT на 1k…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: Gen-Verse
Теги: qwen2, conversational, custom_code, text-generation-inference, endpoints_compatible
Лайков: 8 | Загрузок: 1,175
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
