/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
AlphaMaze-v0.2-1.5B
Опубликована
19 фев 2025

AlphaMaze-v0.2-1.5B

Генерация текстаТекст → текст3 профессии

AlphaMaze-v0.2-1.5B — дообученная модель Qwen2 для решения лабиринтов, заданных текстом, и изучения пространственного рассуждения.

321скачиваний за 30 дней93лайкавеса обновлены24 фев 2025

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

AlphaMaze-v0.2-1.5B — текстовая языковая модель Menlo Research для решения лабиринтов, описанных словами, и исследования пространственного рассуждения. Она дообучена на базе jan-hq/AlphaMaze-v0.2-1.5B-SFT; архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Модель принимает текст и генерирует текст, может использоваться в диалоговом режиме и поддерживает интерфейс вызова инструментов. Контекст — до 131 072 токенов.

Модель предназначена для планирования маршрута в текстовом лабиринте, анализа пространственных отношений и изучения того, как языковые модели представляют пространство без генерации изображений. В README описаны обучение с учителем и применение GRPO для улучшения стратегии решения; версия 0.2 отдельно не характеризуется в карточке, поэтому эти детали относятся к проекту AlphaMaze в целом. Поддерживаемый язык по метаданным — английский.

Модель опубликована под лицензией Apache-2.0. README отмечает, что добавление специальных токенов лабиринта не улучшало результаты, а для некоторых экспериментов нулевое значение потерь вызывало сомнения; количественные результаты именно этой версии не приведены.

Сценарии применения

  • решение текстовых лабиринтов
  • планирование маршрута по словесному описанию лабиринта
  • поиск выхода и выбор направления в лабиринте
  • оценка пространственного рассуждения языковой модели
  • исследование стратегий планирования и сброса маршрута

Ограничения

README не приводит количественных показателей качества именно для версии v0.2-1.5B; также отмечены сомнения в некоторых результатах обучения, где потери достигали нуля.

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

AlphaMaze: Teaching LLMs to Think Visually

About | Demo | Models and Datasets | Benchmarks | How to Run Locally |

About

Developed by Menlo Research, AlphaMaze is a novel model for evaluating and enhancing visual reasoning in LLMs. AlphaMaze challenges models with a deceptively simple task: solving mazes presented entirely in text. We further enhance AlphaMaze's capabilities using the GRPO (Generalized Relative Policy Optimization) method.

Prior research, like Microsoft's "Multimodal Visualization-of-Thought (MVoT)", explored visual reasoning through image generation. But AlphaMaze takes a different, more focused path. We believe that if a model can internally reconstruct a maze from a text description and use that mental map to plan its moves, it demonstrates a genuine capacity for visual reasoning – even without generating a single image. AlphaMaze moves beyond the limitations of multiple-choice evaluations, providing a richer, more nuanced assessment of a model's spatial understanding. We're not just testing if a model can solve a maze; we're revealing how it thinks about space.

Demo

AlphaMaze tackle a text-based maze! See how it interprets the maze, plans its moves, and strategically resets when it encounters a dead end.

Watch the AlphaMaze Demo

Alternatively, you can explore it on our demo website.

Models and Datasets

Models

You can find our AlphaMaze models on Hugging Face 🤗! We're committed to open-source and easy access for the research community.

ModelBackboneSizeLink
AlphaMaze-v0.1DeepSeek-R1-Distill-Qwen-1.5B1.5B🤗 AlphaMaze-v0.1

Datasets

We've released our datasets on Hugging Face 🤗 to support reproducibility and further research.

DatasetDescriptionSizeLink
Maze-Reasoning-v0.1Training set used for Supervised Fine-Tuning (SFT)420k🤗 Maze-Reasoning-v0.1
Maze-Reasoning-Reset-v0.1Training set for SFT, including reset actions50k🤗 Maze-Reasoning-Reset-v0.1
Maze-Reasoning-GRPO-v0.1Training set used for GRPO model180k🤗 Maze-Reasoning-GRPO-v0.1

Benchmarks

Supervised Fine-Tuning (SFT)

We used LLaMA-Factory for Supervised Fine-Tuning (SFT) of our AlphaMaze model. Here's a summary of our key training runs:

Run IDModel ConfigDatasetStepsFinal LossHardwareKey Findings
exp-1Full Finetune (Qwen-1.5B)Maze Reasoning31250.01~1.5 hours on 6xA6000Initial run with new maze tokens. Observed lower performance.
exp-2Full Finetune (Qwen-1.5B)Maze Reasoning31250.01~1.5 hours on 6xA6000Trained using pure text descriptions (no new tokens). Surprisingly strong performance.
exp-3Full Finetune (Qwen-7B)Maze Reasoning23440.0077~12 hours on 6xA6000Extended training with pure text descriptions (larger model).
exp-4Full Finetune (Qwen-1.5B)Maze Reasoning2344~0~1.5 hours on 6xA6000Further extended training with pure text descriptions. Near-zero loss.
exp-5Full Finetune (Qwen-1.5B)Maze Reasoning3681~0.02~1 hours on 8xH200Experiment with new maze tokens and different hardware.

Key Observations from SFT:

  • Adding new maze-specific tokens did not improve performance, and in some cases, resulted in worse results.
  • Surprisingly, the model performed well even with pure text descriptions, suggesting a strong ability to learn spatial relationships from text alone.
  • Loss value equal to 0 is concerning.

Note: These results suggest that reducing token complexity can lead to improved performance in translating spatial information into language.

Generalized Reward-based Policy Optimization (GRPO)

We employed Unsloth for Generalized Reward-based Policy Optimization (GRPO) to further refine the model's maze-solving policy.

The plot below shows the MazeBench scores (blue crosses) achieved during GRPO training, along with a linear regression trendline (red dashed line). The upward trend demonstrates that GRPO effectively guides the model towards improved maze-solving strategies.

GRPO Training Progress GRPO training progress, showing MazeBench scores over training steps.

Run Locally

For an example of using AlphaMaze with HuggingFace Transformers:

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
import flash_attn

model_path =  "homebrewltd/AlphaMaze-v0.2-1.5B"

tokenizer = AutoTokenizer.from_pretrained(model_path)

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16,
    device_map="auto",
    attn_implementation="flash_attention_2",
)

maze =  """You are a helpful assistant that solves mazes. You will be given a maze represented by a series of tokens. The tokens represent: - Coordinates: <|row-col|> (e.g., <|0-0|>, <|2-4|>) - Walls: <|no_wall|>, <|up_wall|>, <|down_wall|>, <|left_wall|>, <|right_wall|>, <|up_down_wall|>, etc. - Origin: <|origin|> - Target: <|target|> - Movement: <|up|>, <|down|>, <|left|>, <|right|>, <|blank|> Your task is to output the sequence of movements (<|up|>, <|down|>, <|left|>, <|right|>) required to navigate from the origin to the target, based on the provided maze representation. Think step by step. At each step, predict only the next movement token. Output only the move tokens, separated by spaces. MAZE: <|0-0|><|up_left_wall|><|blank|><|0-1|><|up_down_wall|><|blank|><|0-2|><|up_down_wall|><|blank|><|0-3|><|up_right_wall|><|blank|><|0-4|><|up_left_right_wall|><|blank|> <|1-0|><|down_left_wall|><|blank|><|1-1|><|up_right_wall|><|blank|><|1-2|><|up_left_wall|><|blank|><|1-3|><|down_right_wall|><|blank|><|1-4|><|left_right_wall|><|blank|> <|2-0|><|up_left_wall|><|blank|><|2-1|><|down_right_wall|><|blank|><|2-2|><|down_left_wall|><|blank|><|2-3|><|up_down_wall|><|blank|><|2-4|><|down_right_wall|><|target|> <|3-0|><|left_right_wall|><|blank|><|3-1|><|up_left_wall|><|origin|><|3-2|><|up_right_wall|><|blank|><|3-3|><|up_down_left_wall|><|blank|><|3-4|><|up_right_wall|><|blank|> <|4-0|><|down_left_wall|><|blank|><|4-1|><|down_right_wall|><|blank|><|4-2|><|down_left_wall|><|blank|><|4-3|><|up_down_wall|><|blank|><|4-4|><|down_right_wall|><|blank|>"""

messages = [
    {
        "role": "user",
        "content": maze
    }
]

input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors='pt').to("cuda")
generated_ids = model.generate(input_ids, max_new_tokens=2500, temperature=0.8, repetition_penalty=1.1, do_sample=True, eos_token_id=tokenizer.eos_token_id)
response = tokenizer.decode(generated_ids[0], skip_special_tokens=True, clean_up_tokenization_space=True)
print(f"Solving maze: {response}")

Next Steps

We are exploring further GRPO enhancements to boost maze-solving capabilities. Stay tuned for more updates on how GRPO is paving the way for improved spatial reasoning in LLMs!

Join Us

We're looking for collaborators and plan to expand the model's capabilities to include additional spatial tasks in the future.

References

@misc{dao2025alphamazeenhancinglargelanguage,
      title={AlphaMaze: Enhancing Large Language Models' Spatial Intelligence via GRPO}, 
      author={Alan Dao and Dinh Bach Vu},
      year={2025},
      eprint={2502.14669},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2502.14669}, 
}

Acknowledgement

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
2a7c08f

0 моделей