Характеристики

Библиотека: stable-baselines3
Опубликована: 12 июл 2026

Ссылки

HuggingFace_RL_Course

Обучение с подкреплением

PPO-агент Stable-Baselines3 управляет посадочным модулем в среде LunarLander-v3 и подходит для учебных демонстраций и экспериментов с обучением с подкреплением.

1скачиваний за 30 дней0лайковвеса обновлены12 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 PPO от автора репозитория KaptainKris для среды LunarLander-v3. Модель построена как MLP actor–critic с отдельными сетями актора и критика, у каждой по два скрытых слоя по 128 нейронов; сохранена в формате PyTorch и загружается через Stable-Baselines3.

Агент предназначен для управления посадочным модулем в LunarLander-v3: по состоянию среды он выбирает действия, стремясь выполнить посадку и получить высокий суммарный reward. В README приведена детерминированная оценка на 100 эпизодах с фиксированными seed: средний reward 280,66 при стандартном отклонении 34,31; также указаны replay reward 266,92 и улучшение среднего reward на 12,575 относительно предыдущей модели автора.

Модель подходит для учебных примеров PPO, воспроизведения оценки и экспериментов с управлением в LunarLander-v3. В README не указана лицензия, поэтому условия распространения и использования следует уточнить в репозитории.

Сценарии применения

управление посадочным модулем в LunarLander-v3
изучение алгоритма PPO на задаче управления
воспроизведение детерминированной оценки агента
сравнение вариантов PPO-агентов на фиксированных seed

Ограничения

Агент обучен для конкретной среды LunarLander-v3, поэтому его действия и качество нельзя переносить на другие среды без дополнительного обучения или адаптации. README не содержит сведений о лицензии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PPO agent for LunarLander-v3

This repository contains a Stable-Baselines3 PPO actor–critic agent trained on LunarLander-v3.

Evaluation

Deterministic evaluation over 100 fixed-seed episodes:

Metric	Value
Mean reward	280.66
Standard deviation	34.31
Course-style score (`mean - std`)	246.34
Episodes scoring at least 200	99.0%
Minimum reward	4.31
Maximum reward	322.05

The candidate was compared with the previous Hub model on the same 100 fixed seeds. The selection metric was mean_reward and the observed improvement was +12.575.

Architecture

Algorithm: PPO
Policy: MLP actor–critic
Actor hidden layers: [128, 128]
Critic hidden layers: [128, 128]

Replay

Replay seed: 42
Replay reward: 266.92

Load the model

from huggingface_hub import hf_hub_download
from stable_baselines3 import PPO

checkpoint = hf_hub_download(
    repo_id="KaptainKris/HuggingFace_RL_Course",
    filename="ppo-LunarLander-v3.zip",
)

model = PPO.load(checkpoint)

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: bf1b1e5