---
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

#### 2. Dedicated Algebra Breakdown (MATH-500: Algebra)

#### 3. GSM8K Leaderboard

---
### 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

#### 2. Раздел алгебры: MATH-500 (Algebra)

#### 3. Арифметика и текстовые задачи: GSM8K

---
### 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