/ Модель

Характеристики

Лицензия
MIT
Опубликована
17 июл 2026

Factor-FB-Offline-tdmpc2

Обучение с подкреплением

Набор одноцелевых политик TD-MPC2 для управления в задачах Box2D и сбора экспертных траекторий.

0скачиваний за 30 дней0лайковвеса обновлены17 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

TommyShen/Factor-FB-Offline-tdmpc2 содержит экспертные политики TD-MPC2 для сбора данных в среде Box2D; каждый чекпойнт предназначен для отдельной задачи. Политики обучены с нуля на задачах Box2D из rlmini_envs с плотной потенциально сформированной наградой, а успех оценивался по исходному разреженному условию. В README перечислены примеры задач управления центром и целью; репозиторий включает и другие строки таблицы задач.

Используется TD-MPC2 размера B с латентным и MLP-слоями размерности 512 и ансамблем из пяти Q-функций. Наблюдения и действия дополняются нулями до размеров, принятых многозадачной реализацией newt, при инференсе и возвращаются к исходным размерам при записи в набор данных. Файлы содержат веса и состояние оптимизатора, поэтому подходят для возобновления обучения. Лицензия — MIT.

Модель предназначена для управления агентами в задачах Box2D и сбора экспертных траекторий. В README приведены эмпирические показатели успешности сбора для части задач: 1,0, 0,539 и 0,49; они не гарантируют аналогичный результат в иных условиях. Для демонстраций в MetaWorld и ManiSkill README указывает использовать отдельный публичный чекпойнт nicklashansen/newt.

Сценарии применения

  • сбор экспертных траекторий в задачах Box2D
  • управление агентом в задаче b2d-center-ctrl
  • управление объектом с целевой точкой в Box2D
  • возобновление обучения политик TD-MPC2

Ограничения

Политики одноцелевые и предназначены для указанных задач Box2D; для демонстраций MetaWorld и ManiSkill README рекомендует другой чекпойнт. Успешность сбора различается между задачами и не гарантирует качество в иных средах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Factor-FB-Offline — TD-MPC2 policies (Box2D)

The expert TD-MPC2 policies used to collect the Box2D split of TommyShen/Factor-FB-Offline. One single-task policy per Box2D task, trained from scratch on the rlmini_envs Box2D tasks (dense potential-shaped reward; success measured from the raw sparse condition).

Metaworld / ManiSkill demos in the dataset were collected with the public multitask checkpoint nicklashansen/newt — use that repo for those; it is not mirrored here.

Checkpoints

taskobs_dimact_dimcollection_successfile
b2d-center-ctrl721.0checkpoints/box2d/b2d-center-ctrl.pt
b2d-center-ctrl-target1220.539checkpoints/box2d/b2d-center-ctrl-target.pt
b2d-center-ctrl-target-hard1220.49checkpoints/box2d/b2d-center-ctrl-target-hard.pt
b2d-center-wall1220.669checkpoints/box2d/b2d-center-wall.pt
b2d-center-wall-navigation1220.79checkpoints/box2d/b2d-center-wall-navigation.pt
b2d-goal-ctrl721.0checkpoints/box2d/b2d-goal-ctrl.pt
b2d-goal-ctrl-maze720.992checkpoints/box2d/b2d-goal-ctrl-maze.pt
b2d-goal-ctrl-target1220.691checkpoints/box2d/b2d-goal-ctrl-target.pt

collection_success = mean episode success over the collection rollouts (the honest empirical success rate; the training-time eval used only 4 episodes so was noisier).

Architecture

TD-MPC2 (model_size=B): latent_dim=512, mlp_dim=512, 5-Q ensemble, single-task (task_dim=0). Observation/action are zero-padded to newt's multitask size (obs→128, action→16) at inference, then stripped back to the raw dims when writing the dataset. Files are full agent checkpoints (weights + optimizer), so they also resume training.

Load & run (inference)

These load with newt's TD-MPC2 stack. The exact loader used to collect the data is data_collection/collect_expert.py in Factored-FB (branch tl-alignment):

hf download TommyShen/Factor-FB-Offline-tdmpc2 checkpoints/box2d/b2d-goal-ctrl.pt

# roll it out / collect more:
<newt>/.venv/bin/python data_collection/collect_expert.py     task=b2d-goal-ctrl num_envs=50 +num_episodes=100 +success_only=true     +ckpt=<downloaded>.pt +out=<dir>

Loading detail: build a model_size=B single-task WorldModel, drop the checkpoint's _action_masks/_task_emb buffers, and load_state_dict(..., strict=False) (see _robust_load in collect_expert.py). checkpoint_manifest.json lists per-task obs_dim/act_dim.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
f9b180a

0 моделей