/ 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-sciworld

Генерация текстаТекст → текст3 профессии

Дообученная Qwen2.5-7B-Instruct для исследований обучения агентов на задачах SciWorld с холодным стартом и GRPO.

182скачиваний 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

C12H18/gats-coldstart-sft-grpo-qwen2.5-7b-sciworld — это исследовательский чекпойнт команды C12H18 из коллекции Cold-start для статьи GATS. Модель основана на Qwen2.5-7B-Instruct и дообучена сначала методом SFT на 5 419 примерах по 155 задачам, затем методом GRPO на задачах SciWorld; учитель для обучения — Qwen2.5-1.5B, обученная GRPO на SciWorld. Это плотная авторегрессионная языковая модель Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговый формат; контекст — до 32 768 токенов.

Модель предназначена для исследований стратегий холодного старта в обучении агентам с подкреплением и воспроизведения базовых результатов GATS. В оценке на SciWorld результат составил 42,71 ± 2,51 на встречавшихся задачах и 35,68 ± 4,01 на новых задачах при K=3. Лицензия — Apache-2.0. Это специализированный исследовательский чекпойнт, а не универсальный ассистент; качество за пределами SciWorld не подтверждено.

Сценарии применения

  • воспроизведение базовых экспериментов GATS на SciWorld
  • сравнение холодного старта SFT с обучением агента с нуля
  • генерация действий и ответов в диалоговых задачах SciWorld
  • оценка переноса обученной политики на новые задачи SciWorld

Ограничения

Модель предназначена для исследований и не позиционируется как универсальный ассистент; указанная оценка относится к SciWorld, а качество на других задачах не подтверждено.

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 (SciWorld)

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 SciWorld train tasks.

Chain: SFT cold-start -> pure GRPO

Starting point: the SFT cold-start checkpoint (see C12H18/gats-coldstart-sft-qwen2.5-7b-sciworld). 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-sci7b-t1p5b-s0 (seed 0)
  • Final evaluation: seen 42.71 ± 2.51 / unseen 35.68 ± 4.01 (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 5,419 rows / 155 tasks; checkpoint global_step_507.

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
5b0ccf4

0 моделей