ryota39 commited on
Commit
a6b68ce
·
verified ·
1 Parent(s): cb7dfaa

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +1 -1
README.md CHANGED
@@ -11,7 +11,7 @@ base_model:
11
 
12
  # Qwen3-8B-math-RL-en
13
 
14
- - [Qwen/Qwen3-8B](https://huggingface.co/Qwen/Qwen3-8B)を少ないトークン予算の元`max\tokens=256`で、[openai/gsm8k](https://huggingface.co/datasets/openai/gsm8k)を使って事後学習したモデルです。
15
  - [tinker_cookbook](https://tinker-docs.thinkingmachines.ai/rl/rl-basic)の[rl_basic.py](https://github.com/thinking-machines-lab/tinker-cookbook/blob/main/tinker_cookbook/recipes/rl_basic.py)に従い、accuracy_rewardとformat_rewardを最大化するようなモデルの重みを学習しています。
16
  - 詳細は[Tinker APIと限られたトークン長でのLLMの強化学習](https://zenn.dev/kaeru39/articles/e4c7d19ab13bea)に記載しています。
17
 
 
11
 
12
  # Qwen3-8B-math-RL-en
13
 
14
+ - [Qwen/Qwen3-8B](https://huggingface.co/Qwen/Qwen3-8B)を少ないトークン予算の元`max_new_tokens=256`で、[openai/gsm8k](https://huggingface.co/datasets/openai/gsm8k)を使って事後学習したモデルです。
15
  - [tinker_cookbook](https://tinker-docs.thinkingmachines.ai/rl/rl-basic)の[rl_basic.py](https://github.com/thinking-machines-lab/tinker-cookbook/blob/main/tinker_cookbook/recipes/rl_basic.py)に従い、accuracy_rewardとformat_rewardを最大化するようなモデルの重みを学習しています。
16
  - 詳細は[Tinker APIと限られたトークン長でのLLMの強化学習](https://zenn.dev/kaeru39/articles/e4c7d19ab13bea)に記載しています。
17