模型介绍
中文整理Qwen2-Math-RM-72B
模型用途
Qwen2-Math-RM-72B是一个奖励模型，专门设计用于在训练过程中为Qwen2-Math模型提供关于推理质量和中间步骤的细粒度反馈，以实现更稳健的模型改进。
主要能力
训练数据增强：通过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。
推理提升：采用响应采样与Best-of-N策略，选择奖励模型评分最高的响应。例如，Qwen2-Math-1.5B-Instruct在RM@8设置下于MATH数据集取得79.9分，甚至超越使用贪婪解码的Qwen2-Math-7B-Instruct的75.1分。
对比多数投票：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：数学推理过程及其中间步骤
输出：对推理质量的评分和反馈
运行要求
transformers>=4.40.0（推荐使用最新版本）。由于transformers从4.37.0版本集成了Qwen2代码，此为必需条件。GPU内存需求及吞吐量可参考Qwen2的相关结果。
基本用法
Qwen2-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，应用于拒绝采样、强化学习训练和RM@N推理策略。
许可证
如需引用本工作，请参照相关引用格式。
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。