/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

Компактная политика ZeroHero на архитектуре Qwen3 для навигации со скрытой целью в Craftax-Dialogue по карте и диалогу.

389скачиваний 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

ZeroHero Craftax strong PPO — специализированная языковая политика на архитектуре Qwen3 для навигации со скрытой целью в Craftax-Dialogue. Модель разработана для проекта ZeroHero и содержит около 13 млн параметров. Она принимает символическую локальную карту и диалог, затем формирует рассуждение и действие; в рамках протокола может также задать вопрос. Скрытую цель знает отдельный Gemma-оракул, поэтому модель не является самостоятельным оракулом или универсальным чат-ботом.

Модель обучена с нуля, без предобученных весов Qwen3: сначала на экспертных траекториях, затем методом PPO на основе сильного SFT-чекпойнта. Это финальный чекпойнт цикла 300; архитектура включает 6 слоёв, контекст составляет 2048 токенов, веса выпущены в FP32. На сопоставимой отложенной оценке зафиксирован успех в 200 из 512 эпизодов (39,06%); результат относится к политике вместе с оракулом и не является стандартной оценкой достижений Craftax. Для полноценной интерактивной оценки нужны окружение, форматтер промптов, парсер действий ZeroHero и Gemma-оракул. Репозиторий содержит веса в safetensors; условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • выбор действий для навигации по символической карте Craftax
  • планирование маршрута с учётом диалога и скрытой цели
  • генерация рассуждения и игрового действия в каждом ходе
  • задание уточняющего вопроса через внешнего оракула

Ограничения

Это специализированная политика, а не универсальный чат-бот или самостоятельный оракул; полная оценка зависит от компонентов ZeroHero и Gemma-оракула. В описанной оценке успех составил 39,06% на 512 эпизодах; лицензия не указана в предоставленных данных.

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 PPO: 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: PPO; 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: 38400; decisions: 998845.
  • 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 model200/51239.06%
Gemma public-action expert + private Gemma question oracle315/51261.52%

Mean episode length: 24.6113 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-ppo-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
eecdb71

0 моделей