/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
13 млн
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
23 сен 2026

zerohero-craftax-qwen3-13m-strong-bats-horizon30

Генерация текстаТекст → текст3 профессии

Специализированная 13-миллионная политика ZeroHero для навигации со скрытой целью в Craftax-Dialogue за ограничение в 30 действий.

373скачиваний за 30 дней0лайковвеса обновлены23 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

RLMM выпустила финальный чекпойнт ZeroHero Craftax strong BATS / LinUCB — специализированную политику на архитектуре Qwen3 для навигации со скрытой целью в Craftax-Dialogue. Модель содержит 12 969 600 параметров, обучена с нуля, без предобученных весов Qwen3, затем на экспертных траекториях и в ходе 300 циклов BATS / LinUCB. Это не универсальный чат-бот и не самостоятельная модель-оракул.

На каждом из 30 шагов модель получает диалог и локальную символьную карту, а затем выдаёт рассуждение и действие; также она может задать вопрос. Скрытую цель видит только отдельный Gemma-оракул, необходимый вместе со средой ZeroHero, форматтером промптов и парсером действий для полной интерактивной оценки. В README сообщается результат 334 успешных эпизода из 512 в сопоставленной оценке; он относится к политике вместе с оракулом и не является стандартной оценкой Craftax. Контекст — 2 048 токенов, веса опубликованы в FP32 и формате safetensors. Для запуска указана библиотека Transformers и использование исходного формата промпта вместо универсального шаблона чата. Сведения о лицензии отсутствуют.

Сценарии применения

  • Выбор действий для навигации по символьной карте Craftax
  • Выполнение заданий с диалоговыми подсказками и скрытой целью
  • Запрос уточнения у оракула в ходе навигации
  • Исследование обучения политик BATS / LinUCB с экспертными траекториями

Ограничения

Модель специализирована для среды Craftax-Dialogue и не является универсальным чат-ботом или самостоятельным оракулом; полная интерактивная оценка требует компонентов ZeroHero и Gemma-оракула. Результат оценки получен для одной обучающей случайной выборки и политики вместе с оракулом, поэтому его нельзя трактовать как точность ответов модели отдельно или как стандартный результат Craftax.

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

ZeroHero Craftax strong BATS / LinUCB: horizon 30, cycle 300

This is the final cycle-300 checkpoint of a 12,969,600-parameter Qwen3-architecture executor for Craftax-Dialogue hidden-goal navigation. The small model was trained from random initialization, then supervised on expert trajectories; online training starts from strong SFT checkpoint 400. It does not inherit pretrained Qwen3 weights. The final checkpoint was fixed in advance and was not selected by held-out success rate.

Task and horizon

Every response consumes one of 30 decisions, including questions, malformed actions and blocked moves. Training, controller, feedback, final evaluation and the matched expert all use this horizon. The original 75-decision releases are a different protocol and remain separate.

The executor sees a local symbolic map and dialogue, emits reasoning and an action, and can ask a question. Only the private Gemma question oracle sees the hidden navigation target. Gemma also supplies public-state action labels for DAgger. The response format and reasoning are retained without output repair. This is a specialized policy, not a general-purpose chatbot or standalone oracle.

Training and architecture

  • Method: BATS / LinUCB; seed 93001; 300 cycles from the original strong SFT.
  • Four-cycle operational pilots use separate outputs; long training starts fresh from SFT and does not inherit pilot weights. No success-rate selection gate.
  • Recorded training episodes: 19456; decisions: 413978.
  • Six layers, hidden size 384, intermediate size 1264; six attention heads and three key/value heads; 2,048-token context and custom 4,096-token tokenizer.
  • Released model weights are FP32. Scalar training settings are in training_config.json; source and file hashes are in provenance.json.
  • PPO uses 128 episodes and two optimizer steps per cycle. DAgger uses 64 episodes, 512 expert labels and 2,048 supervision samples with 32 steps. BATS uses LinUCB to select between these same two update recipes.
  • Learner source commit: 7ca74cf7ae851e3bfd0e34885e6d63df2a87b3a9.

Environment, prompt formatter and action parser are provided by ZeroHero. Full interactive evaluation requires those components and the Gemma oracle.

Matched held-out evaluation

PolicySuccessesSuccess rate
This model334/51265.23%
Gemma public-action expert + private Gemma question oracle315/51261.52%

Mean episode length: 20.0234 decisions. All 512 unique world seeds and hidden targets match the expert evaluation. Students sample at temperature 1; the expert uses temperature 0. Both use a private Gemma question oracle, whose answers need not be bitwise identical between runs. No target repairs or technical step errors occurred. These are single-training-seed policy-plus-oracle results, not standalone question-answer accuracy or standard Craftax achievement scores. See evaluation.json for confidence intervals and exploratory paired comparisons.

Load and generate one response

Use Transformers with Qwen3 support (verified with Transformers 4.51.1). Use the raw prompt format, not a generic chat template.

from pathlib import Path
from huggingface_hub import hf_hub_download
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "RLMM/zerohero-craftax-qwen3-13m-strong-bats-horizon30"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, torch_dtype="auto").eval()
prompt = Path(hf_hub_download(repo_id, "example_prompt.txt")).read_text()
inputs = tokenizer(prompt, return_tensors="pt", return_token_type_ids=False)
output = model.generate(
    **inputs, do_sample=True, temperature=1.0, top_k=0, top_p=1.0,
    max_new_tokens=256, pad_token_id=tokenizer.pad_token_id,
    eos_token_id=tokenizer.eos_token_id,
)
print(tokenizer.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))

value_head.pt contains the separate training value head; AutoModelForCausalLM loads only the language policy. This inference release does not contain optimizer, RNG, replay or bandit recovery state. sha256.json lists packaged-file hashes.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
ddd15ae

0 моделей