Характеристики

Контекст: 32 768 токенов
Параметры: 7,1 млрд
Размер весов: 15,2 ГБ
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: Qwen2.5-7B-Instruct
Библиотека: transformers
Опубликована: 29 сен 2026

Ссылки

gats-coldstart-opd-grpo-qwen2.5-7b-alfworld

Генерация текстаТекст → текст3 профессии

Дообученная Qwen2.5-7B-Instruct для исследований холодного старта агентного обучения с подкреплением и выполнения задач в ALFWorld.

170скачиваний за 30 дней0лайковвеса обновлены29 сен 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

C12H18/gats-coldstart-opd-grpo-qwen2.5-7b-alfworld — это дообученная языковая модель Qwen2.5-7B-Instruct от команды проекта GATS, подготовленная для исследований стратегий холодного старта агентного обучения с подкреплением и воспроизведения базовых экспериментов статьи GATS. Модель обучалась для взаимодействия со средой ALFWorld: сначала прошла 52 шага дистилляции поведения учителя Qwen2.5-1.5B, обученного на задачах ALFWorld, затем 150 шагов GRPO.

Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы, выдавая текстовые ответы или действия агента в текстовом формате. Контекст — до 32 768 токенов. В README приведены результаты оценки на задачах ALFWorld: 86,20 ± 1,19 для ID и 88,80 ± 1,97 для OOD при трёх сидах. Модель не предназначена для общего диалога или универсальных пользовательских задач; её применение ориентировано на эксперименты в ALFWorld. Распространяется по лицензии Apache-2.0.

Сценарии применения

воспроизведение базовых экспериментов GATS в ALFWorld
сравнение дистилляции поведения и обучения агента с подкреплением
оценка агента на задачах ALFWorld внутри и вне обучающего распределения

Ограничения

Специализирована на исследовательских экспериментах в ALFWorld и не предназначена для общего назначения. Оценки в README получены при трёх сидах; перенос на другие среды не подтверждён.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.9Разработка и данныеСтатистика, эксперименты и причинный анализAI помогает планировать эксперименты и делать статистически обоснованные выводы о связях и эффектах.18 задач2 881модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GATS Cold-Start: Pure-OPD cold-start + GRPO (ALFWorld)

Part of the Cold-start collection for the GATS paper (capability-aware on-policy distillation). Student: Qwen2.5-7B-Instruct; teacher: Qwen2.5-1.5B GRPO-trained on ALFWorld train tasks.

Chain: pure-OPD cold-start -> pure GRPO

Starting point: the pure-OPD cold-start checkpoint (see C12H18/gats-coldstart-opd-qwen2.5-7b-alfworld, N = 52 on-policy distillation steps). Then pure GRPO:

GRPO: 150 steps, lr 1e-6, group n=8, 16 tasks/step, gamma 0.95, KL loss (low-variance, coef 0.01), invalid-action penalty 0.1, entropy 0.001, grad clip 1.0
Run id: opdgrpo-alf7b-t1p5b-s0 (seed 0)
Final evaluation: ID 86.20 ± 1.19 / OOD 88.80 ± 1.97 (K=3, rollout seeds 0/1/2)

Intended use

Research on cold-start strategies for agent RL (imitation-first vs RL-from-scratch) and reproduction of the GATS paper baselines. Not a general-purpose assistant.

Provenance

Trained 2026-09-28 on the internal verl-based stack; checkpoints uploaded unmodified from the training runs (bfloat16 unless noted float32 above).

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: ff52de6