模型介绍
中文整理Qwen2.5-Math-RM-72B 模型卡片
模型用途
Qwen2.5-Math-RM-72B 是一个奖励模型，专门用于在训练过程中为 Qwen2.5-Math 模型提供更细粒度的推理质量和中间步骤反馈，从而促进模型性能的提升。该模型主要用于拒绝采样、强化学习训练和 RM@N 策略。
主要能力
多语言与多模态支持：支持中文和英文两种语言的偏好信号，以及思维链和工具集成推理两种模式。
训练数据增强：采用奖励模型评分结合拒绝采样的数据选择流程，逐步提升响应质量。
强化学习训练：可无缝集成到强化学习训练中，提供有效的奖励信号，进一步提升模型性能。
推理增强：支持 Best-of-N 策略，通过奖励模型评分选择最优响应。例如，Qwen2.5-Math-1.5B-Instruct 在 RM@8 设置下在 MATH 基准上达到 83.9 分，甚至超越使用贪婪解码的 Qwen2.5-Math-7B-Instruct 的 83.6 分。RM@N 分数在几乎所有基准和模型上都显著优于 Maj@N 分数。
输入输出
输入：推理过程和中间步骤
输出：推理质量和中间步骤的反馈评分
运行要求
需要 transformers>=4.40.0，建议使用最新版本。GPU 内存和吞吐量要求可参考 Qwen2 的相关测试结果。
基本用法
Qwen2.5-Math-RM-72B 作为奖励模型，用于对推理质量和中间步骤提供反馈，可应用于拒绝采样、强化学习训练和 RM@N 推理策略。
许可证
有关许可信息，请参阅原始发布页面。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。