--- language: - ru - en license: apache-2.0 tags: - math - reasoning - linear-attention - sub-1b - qwen3.5 - cot - olympiad - sft - simpo pipeline_tag: text-generation library_name: transformers metrics: - accuracy model-index: - name: RusNanoMath-800M results: - task: type: text-generation name: Text Generation dataset: name: MATH-500 type: HuggingFaceH4/MATH-500 metrics: - type: accuracy value: 36.20 name: MATH-500 Accuracy - type: accuracy value: 52.42 name: MATH-500 Algebra Accuracy - task: type: text-generation name: Text Generation dataset: name: GSM8K type: openai/gsm8k metrics: - type: accuracy value: 52.00 name: GSM8K Accuracy --- # RusNanoMath-800M [English](#english-overview) | [Русский](#обзор-на-русском) --- ## English Overview **RusNanoMath-800M** is an open-weights **800M parameter bilingual (Russian / English) mathematical reasoning model**. Built on a hybrid Linear Attention architecture (Qwen3.5 with Gated Delta Rule layers) and aligned via targeted multi-stage SFT and SimPO (Simple Preference Optimization), it demonstrates very strong reasoning performance across competitive mathematics benchmarks, particularly in symbolic algebra. ### Benchmark Visual Leaderboards #### 1. MATH-500 Overall Leaderboard ![MATH-500 Overall Leaderboard](assets/math500_overall.png) #### 2. Dedicated Algebra Breakdown (MATH-500: Algebra) ![MATH-500 Algebra Leaderboard](assets/math500_algebra.png) #### 3. GSM8K Leaderboard ![GSM8K Leaderboard](assets/gsm8k.png) --- ### Highlights - **Symbolic Algebra (MATH-500 Algebra)**: In the 124 algebra competition problems, RusNanoMath-800M achieves **52.4%**, closely approaching Llama-3.1-8B (53.8%) and surpassing models with 1.5B–3B parameters (Qwen2.5-1.5B at 49.5%, Llama-3.2-3B at 48.0%, Gemma-2-2B at 41.2%). - **General Competition Math (MATH-500 Overall)**: Across all 500 problems, RusNanoMath-800M reaches **36.2%**, outperforming sub-1B to 2B models (Gemma-2-2B at 35.0%, SmolLM2-1.7B at 21.5%, Llama-3.2-1B at 14.0%). - **Grade School Arithmetic (GSM8K)**: Achieves **52.0%**, handling multi-step reasoning chains and arithmetic problems. --- ### Quickstart & Inference ```python import torch from transformers import AutoModelForImageTextToText, AutoTokenizer MODEL_ID = "itismax0/RusNanoML-800M" tokenizer = AutoTokenizer.from_pretrained(MODEL_ID) model = AutoModelForImageTextToText.from_pretrained( MODEL_ID, torch_dtype=torch.bfloat16, device_map="auto" ) model.eval() messages = [ { "role": "user", "content": "Найдите все действительные корни уравнения x^4 - 5x^2 + 4 = 0. Ответ запишите в \\boxed{}." } ] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) inputs = tokenizer(prompt, return_tensors="pt").to(model.device) with torch.no_grad(): outputs = model.generate( **inputs, max_new_tokens=1024, do_sample=False, pad_token_id=tokenizer.eos_token_id ) response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True) print(response) ``` ### Run with llama.cpp / Ollama (GGUF, full precision) A full-precision **F16 GGUF** (`RusNanoML-800M-F16.gguf`) is included in this repo — no quantization loss. ```bash # llama.cpp llama-cli -hf itismax0/RusNanoML-800M:RusNanoML-800M-F16.gguf --temp 0 -p "Найдите все действительные корни уравнения x^4 - 5x^2 + 4 = 0." ``` **Ollama** (import the GGUF locally): ```bash echo "FROM RusNanoML-800M-F16.gguf PARAMETER temperature 0 TEMPLATE \"{{ .Prompt }}\"" > Modelfile ollama create rusnanoml-800m -f Modelfile ollama run rusnanoml-800m "Найдите все действительные корни уравнения x^4 - 5x^2 + 4 = 0." ``` > Note: the model uses the Qwen3.5 hybrid linear-attention architecture. llama.cpp builds from `master` (>= b12413) support it; older builds will refuse to load the file. --- ## Обзор на русском **RusNanoMath-800M** — открытая двуязычная (русский и английский) модель на 800 млн параметров для решения математических и логических задач. Архитектура построена на базе Qwen3.5 с гибридным линейным вниманием (Gated Delta Rule), что обеспечивает константную сложность памяти состояния O(1) при генерации. Обучение включает этапы целевого SFT на цепочках рассуждений (CoT) и выравнивание методом предпочтений SimPO (Simple Preference Optimization). ### Графики сравнения с открытыми моделями #### 1. Общий зачёт: MATH-500 ![MATH-500 Overall Leaderboard](assets/math500_overall.png) #### 2. Раздел алгебры: MATH-500 (Algebra) ![MATH-500 Algebra Leaderboard](assets/math500_algebra.png) #### 3. Арифметика и текстовые задачи: GSM8K ![GSM8K Leaderboard](assets/gsm8k.png) --- ### Основные показатели - **Алгебра (MATH-500 Algebra)**: В блоке из 124 задач по алгебре RusNanoMath-800M показывает **52.4%** (65 решённых задач из 124). Модель вплотную приближается к показателям Llama-3.1-8B (53.8%) и превосходит модели большего размера: Qwen2.5-1.5B (49.5%), Llama-3.2-3B (48.0%) и Gemma-2-2B (41.2%). - **Общий зачёт MATH-500**: По всему набору из 500 олимпиадных задач модель набирает **36.2%** (181 решённая задача), опережая Gemma-2-2B (35.0%), Mistral-7B-Instruct (28.4%), SmolLM2-1.7B (21.5%) и Llama-3.2-1B (14.0%). - **GSM8K**: На тесте многошаговой арифметики модель показывает **52.0%** (260 решённых задач из 500). --- ### Архитектура и параметры - Параметры: 800 млн (0.8B) - Внимание: Гибридное линейное внимание (Gated Delta Rule) со сложностью памяти состояния O(1) - Требования к видеопамяти: около 1.6 ГБ в формате BF16 (работает на потребительских GPU с 4 ГБ VRAM) - Контекст: до 32 768 токенов - Лицензия: Apache 2.0