RPT DeepSeek R1 0528 Qwen3 8B

🚀 RPT-DeepSeek-R1-0528-Qwen3-8Bモデルカード

このモデルは deepseek-ai/DeepSeek-R1-0528-Qwen3-8B の微調整バージョンです。TRL を使用して訓練されています。このモデルはGRPO方法を用いて訓練されており、この方法は論文 DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models で提案されています。GRPO訓練はRPT（強化学習事前訓練論文）で紹介されている方法に従っています：https://huggingface.co/papers/2506.08007 。

📚 詳細ドキュメント

モデル情報

フレームワークバージョン

• TRL: 0.19.0
• Transformers: 4.52.4
• Pytorch: 2.6.0+cu124
• Datasets: 3.6.0
• Tokenizers: 0.21.2
• vllm: 0.8.5.post1

📄 ライセンス

このモデルは apache-2.0 ライセンスを使用しています。

📚 引用情報

GRPOの引用

@article{zhihong2024deepseekmath,
    title        = {{DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models}},
    author       = {Zhihong Shao and Peiyi Wang and Qihao Zhu and Runxin Xu and Junxiao Song and Mingchuan Zhang and Y. K. Li and Y. Wu and Daya Guo},
    year         = 2024,
    eprint       = {arXiv:2402.03300},
}

TRLの引用

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}