TMLR-Group-HF/CoReward-RephrasedMATH
Viewer
•
Updated
•
7.5k
•
100
Co-Reward
Co-Reward is a self-supervised reinforcement learning method for LLM reasoning, which leverages contrastive agreement between original and rephrased q
-
-
TMLR-Group-HF/CoReward-Qwen2.5-3B
3B • Updated • 9 -
TMLR-Group-HF/CoReward-Qwen2.5-7B
8B • Updated • 15 • 1 -
TMLR-Group-HF/CoReward-Qwen3-1.7B-Base
2B • Updated • 15 -
TMLR-Group-HF/CoReward-Qwen3-4B-Base
4B • Updated • 22 • 1 -
TMLR-Group-HF/CoReward-Qwen3-8B-Base
8B • Updated • 22 • 1 -
TMLR-Group-HF/CoReward-Llama-3.2-3B-Instruct
4B • Updated • 18 -
TMLR-Group-HF/Self-Certainty-Qwen2.5-3B
3B • Updated • 14 -
TMLR-Group-HF/Self-Certainty-Qwen2.5-7B
8B • Updated • 17 • 1 -
TMLR-Group-HF/Self-Certainty-Qwen3-8B-Base
8B • Updated • 19 • 1 -
TMLR-Group-HF/Self-Certainty-Llama-3.2-3B-Instruct
4B • Updated • 19 -
TMLR-Group-HF/Self-Certainty-Qwen3-4B-Base
4B • Updated • 23 • 1 -
TMLR-Group-HF/Self-Certainty-Qwen3-1.7B-Base
2B • Updated • 22 -
TMLR-Group-HF/Majority-Voting-Llama-3.2-3B-Instruct
4B • Updated • 22 -
TMLR-Group-HF/GT-Qwen3-4B-Base
4B • Updated • 21 -
TMLR-Group-HF/GT-Qwen2.5-3B
3B • Updated • 13 -
TMLR-Group-HF/GT-Qwen2.5-7B
8B • Updated • 15 -
TMLR-Group-HF/Majority-Voting-Qwen2.5-3B
3B • Updated • 20 • 1 -
TMLR-Group-HF/GT-Llama-3.2-3B-Instruct
4B • Updated • 20 -
TMLR-Group-HF/GT-Qwen3-1.7B-Base
2B • Updated • 27 -
TMLR-Group-HF/GT-Qwen3-8B-Base
8B • Updated • 17 -
TMLR-Group-HF/Majority-Voting-Qwen3-8B-Base
8B • Updated • 19 • 1 -
TMLR-Group-HF/Majority-Voting-Qwen3-4B-Base
4B • Updated • 21 -
TMLR-Group-HF/Majority-Voting-Qwen2.5-7B
8B • Updated • 15 • 1 -
TMLR-Group-HF/Majority-Voting-Qwen3-1.7B-Base
2B • Updated • 19 -
TMLR-Group-HF/Entropy-Qwen2.5-3B
3B • Updated • 13 -
TMLR-Group-HF/Entropy-Qwen3-8B-Base
8B • Updated • 17 • 1 -
TMLR-Group-HF/Entropy-Qwen3-4B-Base
4B • Updated • 19 • 1 -
TMLR-Group-HF/Entropy-Qwen2.5-7B
8B • Updated • 15 -
TMLR-Group-HF/Entropy-Qwen3-1.7B-Base
2B • Updated • 22 -
TMLR-Group-HF/Entropy-Llama-3.2-3B-Instruct
4B • Updated • 18