/ Модель

Характеристики

Библиотека
stable-baselines3
Опубликована
8 июл 2026

ppo-LunarLander-v3_2m

Обучение с подкреплением

Агент PPO на Stable-Baselines3 управляет посадочным модулем в симуляции LunarLander-v3.

0скачиваний за 30 дней0лайковвеса обновлены8 июл 2026

Бенчмарки

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

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 обученный агент обучения с подкреплением для управления посадочным модулем в среде LunarLander-v3. Модель разработана автором репозитория EdwardSnowy с использованием алгоритма PPO и библиотеки Stable-Baselines3; применяется политика MlpPolicy, обученная на 2 миллионах шагов взаимодействия с 16 параллельными средами.

Агент принимает наблюдения среды и выдаёт управляющие действия для посадки аппарата. В карточке указан лучший результат оценки: награда 312,46 за эпизод при детерминированном выводе, посадка завершена за 223 шага. Эти данные описывают зафиксированный прогон и не гарантируют повторения результата на каждом запуске. Лицензия в предоставленных данных не указана.

Сценарии применения

  • посадка лунного модуля в среде LunarLander-v3
  • демонстрация обучения с подкреплением на игровом симуляторе
  • изучение применения PPO для управления агентом
  • сравнение детерминированного поведения обученного агента

Ограничения

Указанный результат относится к лучшему зафиксированному оценочному эпизоду и не гарантирует аналогичную награду в других запусках. Агент предназначен для среды LunarLander-v3; перенос на другие среды не описан.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PPO Agent playing LunarLander-v3

This is a trained PPO agent playing LunarLander-v3 using the Stable-Baselines3 library.

Best recorded result

The model achieved a best recorded evaluation episode reward of 312.46, completing the landing in 223 steps.

This result was obtained from a recorded evaluation rollout using deterministic inference.

Training setup

  • Environment: LunarLander-v3
  • Algorithm: PPO
  • Policy: MlpPolicy
  • Training timesteps: 2,000,000
  • Vectorized environments: 16

PPO Agent playing LunarLander-v3

This is a trained PPO agent playing LunarLander-v3 using the Stable-Baselines3 library.

The agent was trained locally in WSL2 with Python 3.13 and CUDA for 2,000,000 timesteps.

The model uses an MlpPolicy and was trained with 16 vectorized environments.

Usage with Stable-Baselines3

import gymnasium as gym

from huggingface_sb3 import load_from_hub
from stable_baselines3 import PPO


repo_id = "EdwardSnowy/ppo-LunarLander-v3_2m"
filename = "ppo-LunarLander-v3_2m.zip"

checkpoint = load_from_hub(
    repo_id=repo_id,
    filename=filename,
)

model = PPO.load(checkpoint, device="cpu")

env = gym.make("LunarLander-v3", render_mode="rgb_array")

obs, info = env.reset()
done = False
total_reward = 0.0
steps = 0

while not done:
    action, _ = model.predict(obs, deterministic=True)
    obs, reward, terminated, truncated, info = env.step(action)

    total_reward += float(reward)
    steps += 1
    done = terminated or truncated

env.close()

print(f"Episode reward: {total_reward:.2f}")
print(f"Steps: {steps}")

Как запустить

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

GPU в ailist

Универсальный рантайм · stable-baselines3

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
1b2e25f

0 моделей