多模型RLVR强化学习实验结果数据集

自然科学
0 下载
25 浏览
2026-08-20

数据集简介

slo-rlvr-results 是一个面向大语言模型 RLVR(基于可验证奖励的强化学习,Reinforcement Learning with Verifiable Rewards)训练实验的结果数据集,由 SaifPunjwani 发布于 HuggingFace 平台。数据集总大小约 19.6 GB(Total file size: 19.6 GB),记录了多个主流大语言模型在 RLVR 训练过程中的完整实验数据,包括训练日志、最终评估结果、检查点状态以及奖励曲线等。

覆盖模型

数据集按模型划分目录,涵盖以下大语言模型:

  • Qwen3.5-4B
  • Qwen3-14B
  • Mistral-7B-Instruct-v0.3
  • NVIDIA-Nemotron-Nano-9B-v2
  • phi-4

每个模型目录下存放该模型在 RLVR 训练中的对应实验文件,例如 Qwen3.5-4B/slo-rlvr-gkd-v26/eval_final.log 等。

文件组织与格式

数据集包含以下主要文件类型与目录结构:

文件 / 目录 格式 说明
eval_final.log log 训练结束后的最终评估日志
arm_*.log log 各训练分支(arm)的运行日志
trainer_state.json json 训练器状态记录
reward_curve.jsonl jsonl 奖励曲线数据
_archive/ tar.gz 归档目录,如 slo-rlvr-archive-20260821.tar.gz

整体文件格式涵盖 json、jsonl、log 与 tar.gz 四种类型,便于程序化解析训练指标,也便于整体打包归档下载。

获取方式

数据集托管于 HuggingFace Datasets 平台,公开免费下载,落地页地址为:https://huggingface.co/datasets/SaifPunjwani/slo-rlvr-results 。近一个月下载量约为 966 次。数据集最近更新日期为 2026-08-20,归档文件 _archive/slo-rlvr-archive-20260821.tar.gz 通过 huggingface_hub 上传。

适用场景

该数据集可用于:

  • 复现与对比不同大语言模型在 RLVR 训练中的奖励变化与评估表现;
  • 分析训练器状态与日志,研究强化学习训练过程的稳定性;
  • 作为大语言模型强化学习实验的参考基准数据。

基本信息

记录数量未知
文件大小19.6 GB
文件格式json, jsonl, log, tar.gz
数据来源SaifPunjwani
数据规模19.6 GB
覆盖模型Qwen3.5-4B、Qwen3-14B、Mistral-7B-Instruct-v0.3、NVIDIA-Nemotron-Nano-9B-v2、phi-4
访问方式公开免费下载(HuggingFace)
发布/更新日期2026-08-20
数据落地页https://huggingface.co/datasets/SaifPunjwani/slo-rlvr-results
发布日期2026-08-20
强化学习大语言模型RLVR训练日志奖励曲线实验结果

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费