--- 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](https://huggingface.co/datasets/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.