/ Модель

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

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

Генерация текстаТекст → текст3 профессии

Чекпойнт Qwen2.5-7B-Instruct, дообученный методами холодного старта и GRPO для управления агентом в ALFWorld и исследования обучения агентов.

166скачиваний 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.

  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 исследовательский чекпойнт Qwen2.5-7B-Instruct, дообученный командой GATS для управления агентом в среде ALFWorld. Модель прошла этап холодного старта с обучением на примерах, затем 150 шагов оптимизации GRPO; в обучении также использовался учитель Qwen2.5-1.5B, обученный с GRPO на задачах ALFWorld. Архитектура — плотная авторегрессионная Qwen2, 7,1 млрд параметров, контекст 32 768 токенов.

Модель предназначена для исследований стратегий холодного старта и обучения агентов с подкреплением, а также воспроизведения базовых результатов статьи GATS. В итоговой оценке на ALFWorld указаны результаты 77,86 ± 1,63 для ID и 83,85 ± 6,74 для OOD при K=3. Это не универсальный помощник: применение и подтверждённые результаты относятся к задачам ALFWorld. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • исследование обучения агентов в среде ALFWorld
  • воспроизведение экспериментов GATS по холодному старту и GRPO
  • сравнение обучения агента с имитацией и обучения с подкреплением с нуля

Ограничения

Не предназначена для общего диалога: заявленное назначение и приведённая оценка ограничены средой ALFWorld. Результаты указаны для K=3 и нескольких seed, поэтому могут варьироваться между запусками.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GATS Cold-Start: SFT 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: SFT cold-start -> pure GRPO

Starting point: the SFT cold-start checkpoint (see C12H18/gats-coldstart-sft-qwen2.5-7b-alfworld). 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: sftgrpo-alf7b-t1p5b-s0 (seed 0)
  • Final evaluation: ID 77.86 ± 1.63 / OOD 83.85 ± 6.74 (K=3, rollout seeds 0/1/2)

Cold-start phase recap

3 epochs, lr 1e-5, global batch 32 (micro-batch 8/GPU), FSDP, multiturn format with loss on assistant spans; corpus 13,970 rows / 239 tasks; checkpoint global_step_1308.

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
79b3f1b

0 моделей