/ Модель

Характеристики

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

zerohero-craftax-qwen3-13m-strong-linucb

Генерация текстаТекст → текст3 профессии

Компактная модель Qwen3, обученная с нуля для выбора действий при навигации со скрытой целью в Craftax-Dialogue.

276скачиваний за 30 дней0лайковвеса обновлены21 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

ZeroHero Craftax strong — специализированный языковой исполнитель для навигации со скрытой целью в Craftax-Dialogue, разработанный в проекте ZeroHero. Это плотная авторегрессионная модель Qwen3 на 13 млн параметров с шестью слоями, размером скрытого состояния 384 и контекстом 2 048 токенов. Весы обучены с нуля: модель не использует предобученные веса Qwen3. После обучения на экспертных траекториях она прошла онлайн-обучение BATS / LinUCB с обновлениями PPO и DAgger.

На вход модель получает локальную символьную карту и диалог, а в ответе формирует рассуждение, действие и при необходимости вопрос. Она предназначена для выбора действий в этой среде, а не для общего диалога или самостоятельного доступа к скрытой цели: ответы на вопросы о привилегированном состоянии предоставляет отдельный Gemma-оракул. В описанной оценке модель достигла 89,45% успеха на 512 эпизодах; это результат одного обучающего запуска, поэтому он не показывает разброс качества между запусками и не является оценкой на стандартных достижениях Craftax. Для интерактивной оценки нужны обёртка среды ZeroHero, форматировщик наблюдений, анализатор действий и Gemma-оракул. В README лицензия не указана.

Сценарии применения

  • выбор действия по локальной символьной карте Craftax
  • навигация к скрытой цели с учётом истории диалога
  • генерация рассуждения и действия в формате исполнителя Craftax
  • постановка уточняющего вопроса в ходе навигации

Ограничения

Модель специализирована для Craftax-Dialogue и не является универсальным чат-ботом или самостоятельным оракулом скрытого состояния. Результаты оценки получены для одного обучающего запуска; интерактивная работа требует компонентов среды ZeroHero и Gemma-оракула.

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, cycle 300

A 12,969,600-parameter language executor for Craftax-Dialogue hidden-goal navigation. This uses the Qwen3 architecture, trained from random initialization; it does not inherit pretrained Qwen3 weights. The student first received supervised training on expert trajectories, then started online training from SFT checkpoint 400 (the strong initialization). This is the final cycle-300 policy, not a checkpoint selected by the final evaluation score.

Model and task

  • Six transformer layers; hidden size 384; intermediate size 1264.
  • Six attention heads, three key/value heads; 2,048-token context.
  • Custom 4,096-token tokenizer; weights stored in FP32.
  • The executor observes a local symbolic map and dialogue, then emits reasoning, an action, and an optional question. The hidden navigation target is available to the oracle, not directly to the executor.
  • Gemma supplies public-state action labels and separately answers questions using privileged state. Reasoning is retained in the response format.
  • This is a specialized executor, not a general chat model or a standalone oracle.

Training

Method: BATS / LinUCB. Training seed: 93001. Completed cycles: 300. Recorded training episodes: 20224. Recorded training decisions: 622844.

DAgger uses expert labels on student-visited public states, replay and SFT anchors. LinUCB adaptively selects PPO or DAgger updates from controller feedback. The executed scalar settings are in training_config.json.

Historical learner source: f4e12de02ee41556504c4536a785e4de6be4a735. Gemma teacher revision: 4d7ae4984b7db7de8f8457170b3f1a419ee76d52. Packaged experiment code and environment interfaces: ZeroHero, iclr2027 branch.

Matched final evaluation

PolicySuccessesSuccess rate
This model458/51289.45%
Gemma action expert + Gemma question oracle425/51283.01%

Mean episode length: 29.26 turns. All 512 evaluation seeds and hidden targets match the expert comparison. No target repairs were applied. Students sample at temperature 1; expert actions use temperature 0. The turn limit is 75 and executor response limit is 256 tokens. Both agents use the private Gemma question oracle; answers need not be identical between runs. The expert evaluation counts malformed actions as invalid turns, without repairing the action. These are single-training-seed results, not an estimate of variability across training seeds or vanilla Craftax achievement scores.

Load and generate

Requires Transformers with Qwen3 support (checked with the learner runtime). Use the included raw prompt format; this tokenizer has no generic chat template. example_prompt.txt is one public initial prompt from the final evaluation.

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

repo_id = "RLMM/zerohero-craftax-qwen3-13m-strong-linucb"
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))

This demonstrates one response. Interactive evaluation additionally needs the ZeroHero environment wrapper, observation formatter, action parser and Gemma oracle. value_head.pt contains the separate value-head weights used by the training code; standard AutoModelForCausalLM loads only the language policy. Optimizers, RNG, replay and bandit recovery state are not part of this inference release. sha256.json records file hashes. See evaluation.json and provenance.json for the evaluation and original checkpoint 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
a3e198a

0 моделей