TutorRL-7B-think — это усовершенствованный вариант Qwen/Qwen2.5-7B-Instruct, обученный действовать как репетитор по математике, а не как решатель. Он соответствует педагогическим принципам использования обучения с подкреплением (GRPO) в синтетических многоходовых классах, не требуя каких-либо данных, помеченных человеком. Эта модель была разработана в рамках исследовательского проекта «От решения проблем к обучению решению проблем», который предлагает масштабируемый, без аннотаций подход к обучению LLM в качестве преподавателей. Вместо прямых ответов на вопросы модель оптимизирована для поддержки рассуждений, руководства сократовскими вопросами и отказа от окончательных решений, когда это полезно для обучения. Интерактивное обучение математике. Генерация сократического диалога. Исследование образовательного соответствия программ LLM. Безопасное и косвенное обучение в контексте решения проблем. Этот вариант модели допускает скрытое мышление. Содержание размышлений заключено в теги: … . Если вы используете эту модель или опираетесь на структуру обучения, укажите:
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: eth-nlped
Теги: qwen2, math-tutor, grpo, conversational, text-generation-inference, endpoints_compatible
Лайков: 6 | Загрузок: 170
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
