solvformer / README.md
DanilLis's picture
Карточка модели: ссылка на репозиторий solvformer
ee91cc9 verified
|
Raw History Blame Contribute Delete
3.74 kB
metadata
license: mit
language:
  - en
library_name: pytorch
tags:
  - transformer
  - encoder-decoder
  - code-generation
  - math-word-problems
datasets:
  - SlavaYus/tinysms_qa_12m

Solvformer

Encoder-decoder Трансформер, обученный с нуля отвечать на текстовые математические задачи: по вопросу на английском он пишет программу на Python, а ответом служит результат её исполнения. Предобученных весов нет, модель и обучение написаны на чистом PyTorch.

Код, тесты и описание всех экспериментов: https://github.com/dsnillisienko/solvformer

Файлы

Файл Что это
avg.pt Итоговые веса: 9+9 слоёв, d = 512, 8 голов, 74.5M параметров, среднее 4 последних чекпойнтов
tokenizer.json Byte-level BPE на 16k токенов, общий для вопросов и кода

avg.pt это обычный словарь с конфигом архитектуры (cfg) и весами (model), он читается через torch.load(..., weights_only=True).

Результаты

Метрика pass@1: программа выполняется, её ответ сравнивается с эталоном с допуском 1e-6.

Генерация Валидация, 2000 вопросов Тест, 960 вопросов
жадная 71.85%
голосование по 8 программам 74.70% 78.02%
голосование по 12 программам 75.70% 78.44%

Числа получены на T4 в fp16. 1919 вопросов теста с 12 кандидатами на вопрос занимают 140 секунд на одной T4.

Как запустить

git clone https://github.com/dsnillisienko/solvformer.git
cd solvformer
pip install -e .
hf download DanilLis/solvformer avg.pt tokenizer.json --local-dir weights

python -m solvformer.solve --ckpt weights/avg.pt --tokenizer weights/tokenizer.json \
    "A pack has 12 pencils. Tom buys 3 packs and gives away 7 pencils. How many pencils does he have left?"
def solve() -> int:
    total_pencils = 12 * 3
    pencils_left = total_pencils - 7
    result = pencils_left
    return result

ответ: 29  (так ответили 12 из 12 кандидатов)

Сгенерированные программы выполняются в отдельном интерпретаторе с таймаутом. Песочницей это не является.

Обучение

  • Данные: SlavaYus/tinysms_qa_12m, 11.8M пар «вопрос и программа» после удаления вопросов валидации и теста.
  • 9 часов с нуля и 7.5 часа дообучения на двух T4 (DDP, fp16), примерно 6 эпох.
  • AdamW, lr 1e-3 с нуля и 5e-4 при дообучении, cosine-расписание, эффективный батч до 512 примеров.

Ограничения

  • Один узкий жанр: короткие текстовые задачи на английском с числовым ответом.
  • Оставшиеся ошибки это ошибки рассуждения: программы почти всегда выполняются, но, например, в формуле площади треугольника модель систематически забывает ½.