---
title: AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO
canonical_url: "https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO"
md_url: "https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO.md"
repository: Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO
last_updated: 2026-10-01
license: mit
model_type:
  - qwen2
architectures:
  - Qwen2ForCausalLM
base_model:
  - Qwen/Qwen2.5-1.5B-Instruct
base_model_relation: finetune
parameters: 1.5B
tensor_type:
  - F32
library_name:
  - safetensors
downloads: 4
stars: 0
tags:
  - agent
  - reinforcement-learning
  - tool-use
  - react
  - arxiv
  - grpo
  - gspo
---

# AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO

> AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO - Algorineko 在 ModelScope 开源的模型。AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO

Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO 是 ModelScope 魔搭社区上的 1.5B 参数机器学习模型，采用 mit 许可，基于 Qwen/Qwen2.5-1.5B-Instruct 构建。

- **Repository**: Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO
- **License**: mit
- **Parameters**: 1.5B
- **Base model**: Qwen/Qwen2.5-1.5B-Instruct
- **Tags**: agent, reinforcement-learning, tool-use, react, arxiv, grpo, gspo
- **Downloads**: 4
- **Stars**: 0
- **Last updated**: 2026-10-01

Source: https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO

---

# AgenticArXiv-RL-Qwen2.5-1.5B-GRPO-GSPO

**中文** · [English](#english)

## 中文

[AgenticArXiv-RL](https://github.com/Algorineko/AgenticArXiv-RL) 的 GSPO 变体发布权重：在与 [GRPO 基线](https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO)完全相同的配方上，把重要性采样从 token 级换成**序列级（GSPO, sequence-level importance sampling）**，是项目「新方法训练与对比」路线图的一部分。

- **基座**：[AgenticArXiv-RL-Qwen2.5-1.5B-SFT](https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-SFT)（与基线同一起点）
- **训练任务**：`data/splits/v6_grpo_train.json` 的 33 条信号任务，离线快照回放
- **配方**：与 GRPO 基线一致（`num_generations=4`、`beta=0.1`、`lr=5e-6`、`batch_size=16`、`max_turns=6`、无奖励课程、seed 42、60 步），**唯一差异：`--importance_sampling_level sequence`**
- **奖励**：项目五分量可验证奖励（格式 / 工具 / 参数 / 过程 / 结果）

### 离线评测（seed 45 / repeat 3 / 离线快照回放 / regex agent）

严格成功率（pass³）：

| 切分 | SFT | GRPO 基线 | **GSPO** |
|---|---|---|---|
| rl_train（训练任务诊断） | 0.081 | 0.636 | **0.636** |
| dev | 0.000 | 0.375 | **0.375** |
| iid_test | 0.056 | 0.444 | **0.444** |
| ood_test | 0.000 | 0.500 | **0.500** |

辅助指标与基线基本重合（rl_train 工具准确率 0.85 / 虚假完成率 0.15）。训练产物权重与基线不同（哈希可验），训练 reward 轨迹亦有分化，但在本基准四个切分上收敛到了相同的通过模式——多轮智能体场景下序列级与 token 级 IS 的行为差异小于任务粒度。结论：**GSPO 在此设置下与 GRPO 基线持平**。

### 限制

- 同基线：离线回放口径、33 条信号任务子集、dev/ood 样本量小（24/12）、单种子单次运行
- 训练日志见仓库 `outputs/grpo_gspo_release/`（manifest 记录 `importance_sampling_level` 需从 `--run_name` 与发布说明追溯）

## English

GSPO variant of [AgenticArXiv-RL](https://github.com/Algorineko/AgenticArXiv-RL): identical recipe to the [GRPO baseline](https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-GRPO) with importance sampling moved from token level to **sequence level (GSPO)**. Part of the repo's "new-paradigm training & comparison" roadmap item.

- Base: [Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-SFT](https://www.modelscope.cn/models/Algorineko/AgenticArXiv-RL-Qwen2.5-1.5B-SFT) (same starting point as the baseline)
- Recipe: identical to baseline (num_generations=4, beta=0.1, lr=5e-6, batch_size=16, max_turns=6, no curriculum, seed 42, 60 steps); **single delta: `--importance_sampling_level sequence`**

Strict success (pass³, offline, seed 45, repeat 3): rl_train 0.636 / dev 0.375 / iid 0.444 / ood 0.500 — tied with the GRPO baseline on every split (weights differ, reward curves diverge, but both land on the same pass pattern). Limitations as baseline: offline replay, 33-task signal subset, small dev/ood, single seed.