/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
15 авг 2026

fedagent-webshop-grpo-hardness-std1-qwen2.5-1.5b

Генерация текстаТекст → текст

Инструктивно дообученная Qwen2.5-1.5B для генерации действий агента покупок в среде WebShop.

11скачиваний за 30 дней0лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это инструктивно дообученная языковая модель Qwen2.5-1.5B, разработанная в рамках проекта FedAgent для управления агентом покупок в среде WebShop. Модель основана на Qwen/Qwen2.5-1.5B-Instruct и обучена методом федеративного обучения с групповым относительным policy optimization (GRPO); репозиторий содержит итоговый агрегированный чекпойнт после 70 раундов, а лучший результат валидации показал чекпойнт раунда 68.

Модель предназначена для генерации текстовых действий и ответов в сценарии поиска товаров и выполнения заданий на покупку в WebShop. В описанном фиксированном наборе из 64 эпизодов успешность выросла с 4,7% у базовой модели до 70,3% у лучшего чекпойнта; итоговый чекпойнт раунда 70 показал 64,1%. Это результаты конкретного эксперимента, а не гарантия качества на других задачах или настройках. Модель имеет 1,5 млрд параметров, архитектуру Qwen2ForCausalLM, контекст до 32 768 токенов и распространяется в формате Safetensors для Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • поиск товаров в каталоге WebShop по заданным условиям
  • выбор товара и выполнение покупательского задания в WebShop
  • генерация текстовых действий агента для навигации по магазину

Ограничения

Оценка успешности получена на 64 фиксированных эпизодах WebShop и может не отражать качество на других заданиях. Итоговый чекпойнт раунда 70 уступил лучшему чекпойнту раунда 68 по указанной валидационной метрике.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FedAgent WebShop agent — Qwen2.5-1.5B · GRPO · hardness-partition std-1 (federated, 70 rounds)

WebShop shopping-agent policy trained with federated GRPO on the FedAgent verl-0.8 stack. This repo holds the final aggregated global model (round 70) at the root, and the best-validation aggregate (round 68) under checkpoints/round_68/.

CheckpointVal success rate (64 fixed episodes, temp 0.4)
base Qwen/Qwen2.5-1.5B-Instruct4.7 %
checkpoints/round_68/ (best)70.3 %
root = round 70 (final)64.1 %

Training setup

  • Base model: Qwen/Qwen2.5-1.5B-Instruct; weights here are full fp32 HF exports (actor only — GRPO has no critic)
  • Algorithm: GRPO, rollout.n=8, train_batch 8, prompt/response 4096/512, fused kernels (triton)
  • Federation: 100 clients, 2 sampled per round, 70 rounds, 3 local epochs/round, FedAvg over actor weights, base_seed 42 (fully deterministic schedule)
  • Task heterogeneity: hardness partition, success_std = 1 — each client's WebShop goal pool is stratified by a trained-reference success signal (≥100 goals/client)
  • Environment: vendored WebShop engine, BM25 search (search_return_n=50), 16-env pools per client, unperturbed shared val service
  • Hardware / wall-clock: 4× H100-80GB single node, ~16.5 min/round, ~19 h total
  • Config: run copy of config/paper_accelerated/task_heterogeneity/grpo/webshop/fed_webshop_grpo_total-100_cl-per-rd-2_rd-70_ep-per-cl-3_min-goals-per-cl-100_p-hardness_success_std-1.yaml (science knobs untouched)

The full run record — per-round validation dumps, training logs, curves, and the official federated_summary.json (71 global val points + 140 per-client circles) — is published separately as a dataset: canyuchen/fedagent-webshop-grpo-hardness-std1.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "canyuchen/fedagent-webshop-grpo-hardness-std1-qwen2.5-1.5b"
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="bfloat16", device_map="auto")
tok = AutoTokenizer.from_pretrained(repo)

# best-val checkpoint instead of the final one:
# model = AutoModelForCausalLM.from_pretrained(repo, subfolder="checkpoints/round_68", ...)

The agent expects WebShop-style observation/action prompting (as produced by the FedAgent rollout loop); it is not a general chat model, though the chat template is included.

Note on chat_template: verl's model_merger drops the tokenizer's chat_template when exporting; it has been re-injected from the base Qwen tokenizer here, so tok.apply_chat_template(...) works out of the box. If you re-export checkpoints from the raw run artifacts yourself, remember to do the same.

Provenance

  • Trained 2026-07-23 → 2026-07-24 (fresh run, no prior checkpoints), FedAgent verl-0.8 overlay
  • Companion PPO twin (same partition/protocol) reached only 14.1 % best success by round 34 — GRPO dominates at every matched round
  • fp32 shards, ~5.8 GB per checkpoint; model.safetensors.index.json included

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
9f1838c

0 моделей