Характеристики

Базовая модель: Qwen3.5-4B
Библиотека: transformers
Опубликована: 14 авг 2026

Ссылки

Hugging Face

qwen35_4b_tokenwise_abs_mb6000_bs16_20260725_024751

YuyangZhao

Обучение с подкреплением

Архив дообучения Qwen3.5-4B с подкреплением для выполнения и оценки задач в среде ALFWorld.

0скачиваний за 30 дней0лайковвеса обновлены14 авг 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

Это архив эксперимента дообучения Qwen3.5-4B, созданный Yuyang Zhao для обучения с подкреплением в среде ALFWorld с использованием AReaL. Репозиторий содержит контрольные точки, журналы, траектории и результаты оценки; для загрузки модели Transformers следует указывать локальную директорию в checkpoints/default/, а не корень архива.

Эксперимент предназначен для обучения и оценки агента, выполняющего задачи ALFWorld. Лучший завершённый оценочный чекпойнт — шаг 76; последний сохранённый шаг обучения и последняя завершённая оценка — шаг 99. Лучший общий показатель успешности составил около 38,6% (ID — 44,8%, OOD — 28,8%). Лицензия в предоставленных данных не указана.

Сценарии применения

обучение агента для интерактивных задач ALFWorld
оценка успешности агента на наборах ID и OOD
анализ траекторий и журналов обучения с подкреплением

Ограничения

Общий показатель успешности лучшего чекпойнта составляет около 38,6%, а на OOD-задачах — около 28,8%, поэтому надёжность вне обучающего распределения ограничена. README описывает архив эксперимента; для загрузки требуется выбрать чекпойнт в checkpoints/default/.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qwen35_4b_tokenwise_abs_mb6000_bs16_20260725_024751

Complete ALFWorld/AReaL experiment archive for qwen35_4b_tokenwise_abs_mb6000_bs16_20260725_024751.

Checkpoint boundary

Best completed evaluation checkpoint: global step 76.
Latest saved/recoverable training step: global step 99.
Latest evaluation: global step 99 (complete).
Best selection metric: alfworld_eval_all_sr.
Best all/ID/OOD SR: 0.38619402985074625 / 0.4481707317073171 / 0.28846153846153844.

The selected model directory is preserved under:

checkpoints/default/

Layout

checkpoints/: model and distributed recovery checkpoints.
archives/outputs_and_trajectories.tar.gz: skills, trajectories, evaluation artifacts, metrics, and any partial evaluation state.
archives/areal_wandb_logs.tar.gz: worker and local W&B logs.
archives/launcher_monitor_logs.tar.gz: launcher and monitoring logs, when available.
archives/quarantine_recovery_artifacts.tar.gz: quarantined recovery artifacts, when available.
metadata/: browsable config, metrics, checkpoint selection, archive manifest, and credential-scan summary.
SHA256SUMS: integrity hashes for all archived files.

The repository root is an experiment archive. Point Transformers at a local directory under checkpoints/default/, not at the repository root.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов: 90aa6bb