/ Модель

Характеристики

Контекст
131 072 токена
Параметры
2,6 млрд
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Базовая модель
LFM2.5-2.6B
Библиотека
transformers
Опубликована
1 окт 2026

LFM2.5-2.6B-multiharness-RL

Генерация текстаТекст → текст5 профессий

Полностью дообученная LFM2.5-2.6B для агентного анализа данных с использованием инструментов в нескольких средах выполнения.

403скачиваний за 30 дней2лайкавеса обновлены1 окт 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

FineEnvs выпустила чекпойнт LFM2.5-2.6B после 1 000 шагов полного дообучения LiquidAI/LFM2.5-2.6B методом асинхронного GRPO. Модель предназначена для агентных задач анализа данных, где нужно решать задачи в среде с инструментами; обучение и оценка использовали OpenCode, Claude Code, Codex и Mini-SWE-Agent.

Это плотная языковая модель с 2,6 млрд параметров и контекстом 131 072 токена. В README указана оценка pass@1 54,2% на 250 задачах SmolDataEnvs, проверенных в четырёх средах, а также на 31,1% меньше вызовов инструментов среди пар задач, решённых и базовой моделью, и чекпойнтом. Модель принимает текст и выдаёт текст; метаданные указывают английский язык и поддержку чата.

Результаты получены в одном запуске на конкретном наборе задач и версиях сред; авторы отмечают, что выбор лучшего чекпойнта опирался на этот тестовый набор. Для воспроизведения результатов нужны агентная среда и инструменты, а обычный чатовый запрос не эквивалентен оценке. Веса опубликованы в safetensors; лицензия обозначена в метаданных как other, без уточнения условий в предоставленной карточке.

Сценарии применения

  • Решение задач анализа данных в агентной среде
  • Выполнение многошаговых задач с вызовом инструментов
  • Сравнительная оценка агентных моделей в OpenCode, Claude Code, Codex и Mini-SWE-Agent

Ограничения

Показатели основаны на одном запуске и конкретном наборе тестовых задач и версиях сред; выбор лучшего чекпойнта использовал этот же тестовый набор. Для воспроизведения оценок необходимы агентная среда и инструменты, а условия лицензии в метаданных обозначены только как other.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

The ultimate guide to multi-harness RL

LFM2.5-2.6B-multiharness-RL

A full fine-tune of LiquidAI/LFM2.5-2.6B for agentic data-analysis tasks, trained with asynchronous GRPO (TRL Async GRPO) using OpenCode, Claude Code, Codex, Mini-SWE-Agent. This release is step 1,000 on main, scoring 54.2% pass@1 across four evaluation harnesses.

Article · Collection · Evaluation tasks · Training dashboard

Training and evaluation curves

Animated training, pass@1 and tool-use curves through step 1,000

Training curves use a trailing 50-step mean (at least 10 observations). Evaluation markers show measured checkpoints; hollow markers and dotted segments indicate incomplete coverage. Faint background lines show the full recorded trajectory; colored lines reveal the measured checkpoints. The first frame shows the completed chart before replaying, so previews also contain the full curves. Tool-call savings compare tasks solved by both the base model and checkpoint, with a different matched cohort at each checkpoint. The animation stops at this revision's step 1,000.

Static chart · Plotted data · Interactive article

Training

TRL Async GRPO with correctness plus a tool-call efficiency bonus, initialized from the base model. Each group uses one task and one harness; harnesses rotate across groups. Rollouts run through OpenEnv × Harbor in E2B sandboxes.

SettingValue
Training task pool1,000 tasks: 400 medium / 600 hard
Checkpoint1,000 optimizer steps
Learning rate3e-6
Rollouts per GRPO group / maximum staleness8 / 4 optimizer steps
Optimizer / precisionpaged AdamW 8-bit / bfloat16
Training harnessesOpenCode, Claude Code, Codex, Mini-SWE-Agent
Sampling temperature / top-p0.8 / 1.0
Per-call output budget, training / evaluation4,096 / 4,096 tokens

The reward is correctness × (1 + 0.1 × 15 / (15 + tool_calls)), using verified native harness action counts. Incorrect answers receive zero; missing or unverified action counts receive no efficiency bonus. Reported pass@1 measures correctness only. The 1,000-task pool is not a claim that every task contributed an optimizer update.

Evaluation

250 fixed SmolDataEnvs test tasks (33 easy, 118 medium, 99 hard), each evaluated under four harnesses: 1,000 graded task/harness cells. Pass@1 uses the first graded attempt per cell; infrastructure retries do not turn it into pass@k. All cells below are graded.

HarnessCorrect / evaluatedPass@1
OpenCode124 / 25049.6%
Claude Code122 / 25048.8%
Codex134 / 25053.6%
Mini-SWE-Agent162 / 25064.8%
Overall542 / 1,00054.2%

Harness versions: OpenCode 1.18.31, Claude Code 2.1.270, Codex 0.154.0, Mini-SWE-Agent 2.4.6. Full scores, including difficulty breakdowns, are in eval_results.json.

The main branch contains the final step-1,000 checkpoint (54.2%). The step-700 branch contains the best observed checkpoint (54.6%), used in the article's SFT-versus-RL comparison. Best checkpoint selection used this test set, not a separate validation set.

At step 1,000, tool calls were 31.1% lower than the base model across 356 task/harness pairs solved by both. This is a matched-success comparison, not a reduction across every task or a causal estimate of the reward's effect.

These are single-run results on a specific task set and harness versions. Harness mix, training exposure and compute differ across runs; the scores do not isolate a causal effect of the harness or objective.

Load the checkpoint

The repository contains full saved model weights and the saved tokenizer/chat template, not a LoRA adapter. Training used Transformers 5.14.1; use a compatible Transformers release.

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "FineEnvs/LFM2.5-2.6B-multiharness-RL"
revision = "main"
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)
model = AutoModelForCausalLM.from_pretrained(
    model_id, revision=revision, dtype=torch.bfloat16, device_map="auto"
)

Reproducing the task scores requires the agent harness and tools described in the article; a plain chat prompt is not the same evaluation.

Related releases

All models, datasets, environments and the article are linked in the multi-harness RL collection.

License and provenance

Derived from LiquidAI/LFM2.5-2.6B under the LFM Open License v1.0. The base model's license is included unchanged in LICENSE. FineEnvs modified the weights by reinforcement learning; this is not an official Liquid AI release. See NOTICE and release_manifest.json for modification notices, the pinned base revision, checkpoint identity and file checksums. Optimizer, scheduler, RNG and trainer state are excluded.

Citation

For the experiment, methodology and interpretation, cite the main article:

@misc{kolavi2026multiharnessrl,
  author = {Adithya S Kolavi},
  title = {The ultimate guide to multi-harness RL},
  year = {2026},
  url = {https://huggingface.co/spaces/AdithyaSK/multi-harness-rl}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2ForCausalLM
Ревизия весов
3c1e352

0 моделей