Greenmind Medium 14B R1

🚀 GreenMind-Medium-14B-R1

私たちはGreenMind-Medium-14B-R1をリリースします。これは中規模のベトナム語モデルで、一般知識、数学、自然科学、社会科学など、中程度のレベルの推論が必要な質問に効果的に対応できます。Group Relative Policy Optimization戦略を用いた微調整により、モデルが論理的に首尾一貫した応答を生成するように導きます。

🚀 クイックスタート

ここでは、apply_chat_templateを使用したコードスニペットを提供し、トークナイザーとモデルをロードし、コンテンツを生成する方法を示します。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "GreenNode/GreenMind-Medium-14B-R1"

model = AutoModelForCausalLM.from_pretrained(
	model_name,
	torch_dtype="auto",
	device_map="auto"
)

tokenizer = AutoTokenizer.from_pretrained(
	model_name,
	revision='main',
	trust_remote_code=False,
)
prompt = r"""Vừa gà vừa chó
Bó lại cho tròn
Ba mươi sáu con
Một trăm chân chẵn
Hỏi có bao nhiêu con gà, bao nhiêu con chó?"""

messages = [
	{
	"role": "system",
	"content": "Bạn là một trợ lý ảo hữu ích trong việc trả lời câu hỏi. Hãy suy luận từng bước, và đưa ra đáp án trong thẻ <answer> </answer>."
	},
	{
	"role": "user",
	"content": f"{prompt} Hãy suy luận từng bước trong thẻ <think> </think>. Và trả về đáp án trong thẻ <answer> </answer>."
	},
	{
	"role": "assistant",
	"content": "Hãy để tôi giải quyết từng bước.\n<think>"
	}
]

text = tokenizer.apply_chat_template(
	messages, 
	tokenize=False, 
	continue_final_message=True)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=1024
)

generated_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)
# Đầu tiên, chúng ta cần thiết lập hai phương trình dựa trên thông tin đề bài:
# 1. Tổng số con gà và chó là 36: x + y = 36
# 2. Tổng số chân là 100: 2x + 4y = 100
# Trong đó, x là số con gà và y là số con chó.
# Tiếp theo, chúng ta giải hệ phương trình này:
# Từ phương trình thứ nhất, ta có: x = 36 - y
# Thay vào phương trình thứ hai: 2(36 - y) + 4y = 100
# => 72 - 2y + 4y = 100
# => 2y = 28
# => y = 14 (số con chó)
# Thay y = 14 vào phương trình x + y = 36:
# => x = 36 - 14 = 22 (số con gà)
# Vậy, có 22 con gà và 14 con chó.
# </think>
# <answer>Có 22 con gà và 14 con chó.</answer>

✨ 主な機能

モデルの説明

評価

表1. SeaExamデータセット

GreenMind-Medium-14B-R1をベースモデルやいくつかの大規模モデルと比較した結果です。

表2. VLSP 2023 Challenge

当モデルの性能は、ほとんどのSOTAモデルを上回っています。

表3. VMLUデータセット

微調整モデルとの性能比較です。

📄 ライセンス

このリポジトリとモデルの重みは、MITライセンスの下で提供されています。

引用

当社の研究が役に立った場合は、ぜひ引用してください。

@misc{tung2025greenmindnextgenerationvietnameselarge,
      title={GreenMind: A Next-Generation Vietnamese Large Language Model for Structured and Logical Reasoning}, 
      author={Luu Quy Tung and Hoang Quoc Viet and Vo Trong Thu},
      year={2025},
      eprint={2504.16832},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2504.16832}, 
}

お問い合わせ

• 一般的な問い合わせとコラボレーション: tung.vu@greennode.ai, thuvt@greennode.ai
• 技術的な問い合わせ: viethq5@greennode.ai

フォロー

• X (旧Twitter)

サポート

• Discord