C12H18/gats-coldstart-opd-grpo-qwen2.5-7b-webshop — исследовательский чекпойнт на базе Qwen2.5-7B-Instruct, обученный авторами коллекции GATS для работы в среде WebShop. Модель прошла холодный старт с дистилляцией по текущей политике (OPD), а затем 150 шагов обучения GRPO; в качестве учителя для холодного старта использовалась Qwen2.5-1.5B, обученная GRPO на задачах WebShop. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров с контекстом до 32 768 токенов.

Модель предназначена для экспериментов со стратегиями холодного старта агентного обучения с подкреплением и воспроизведения базовых результатов статьи GATS. Она генерирует текстовые действия для задач WebShop и не позиционируется как универсальный помощник. В README приведена итоговая оценка 72,48 ± 5,64 по трём наборам случайных начальных условий.

Чекпойнт опубликован в формате safetensors и распространяется по лицензии Apache-2.0. Результаты относятся к оценке в WebShop; карточка не подтверждает качество на других средах или языках.