/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
9 сен 2026

skill1-alfworld-skill-only-qwen3.5-4b-step40

Генерация текстаТекст → текст3 профессии

Чекпойнт Qwen3.5-4B, дообученный для выбора и ранжирования навыков в агенте для ALFWorld.

113скачиваний за 30 дней0лайковвеса обновлены9 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

Это исследовательский чекпойнт Qwen3.5-4B, дообученный Yuyang Zhao методом GRPO на задачах ALFWorld в рамках Skill1. Вариант skill-only обучает выбору навыков: модель формирует поисковые запросы и ранжирует найденные навыки, а шаги исполнителя в среде не участвуют в обновлении весов. При выводе эффективность с retrieval зависит от используемой библиотеки навыков, которая в репозиторий не включена.

Модель основана на плотной мультимодальной архитектуре Qwen3.5 с 4 млрд параметров и классом Qwen3_5ForConditionalGeneration. Для проверки на 64 отложенных задачах ALFWorld указана доля успеха 0,484 на шаге 30 при retrieval и 0,438 без него; базовые показатели на шаге 0 составляли 0,281 и 0,406 соответственно. Чекпойнт в формате safetensors загружается через Transformers 5 или новее либо vLLM; обучен с отключённым thinking mode. Лицензия — Apache-2.0.

Сценарии применения

  • выбор навыка для выполнения задачи в ALFWorld
  • генерация поискового запроса для библиотеки навыков агента
  • ранжирование найденных навыков перед выполнением задачи
  • исследование RL-обучения выбора навыков агентом

Ограничения

Для работы с retrieval нужна библиотека навыков, которая не входит в репозиторий. В описанной абляции действия исполнителя не обучаются градиентом; приведённые результаты основаны на 64 отложенных задачах.

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

Skill1 skill-only policy on ALFWorld (Qwen3.5-4B, step 40)

An RL checkpoint of Qwen3.5-4B trained with GRPO on ALFWorld under the Skill1 framework, in the skill-only ablation: the policy is updated only through the skill-selection steps (retrieval-query generation and skill re-ranking). The executor's environment actions are rolled out with the same model but are excluded from the gradient, so any improvement comes from skill selection / distillation and the growing skill library rather than from the executor learning the task.

Training summary

Base modelQwen/Qwen3.5-4B (thinking mode disabled via enable_thinking=False)
AlgorithmGRPO, group size 8, 16 tasks per step, lr 1e-6, KL coef 0.01
Trainable phasesquery generation + re-rank (executor play steps excluded from the batch)
Rewardstask outcome (discounted back to the selection steps), re-rank NDCG x 0.3, distillation intrinsic reward x 0.3
Skill librarytop-k 3 retrieval, utility EMA alpha 0.05, 1865 skills at step 40
Steps40 (checkpoint saved every 10 steps)
Hardware4 x NVIDIA L40S, vLLM 0.19.1 rollouts, FSDP actor

Validation (64 held-out ALFWorld tasks, temperature 0.4)

stepsuccess rate with retrievalsuccess rate without retrieval
0 (base)0.2810.406
200.3440.391
300.4840.438
40 (this checkpoint)0.3590.391

The executor's own success rate (without retrieval) stays flat, as intended for the ablation; the with-retrieval number depends on the skill library used at inference.

Usage

The checkpoint is a standard Qwen3_5ForConditionalGeneration model and loads with transformers >= 5 or vLLM. It was trained with the chat template's thinking mode turned off:

from transformers import AutoTokenizer, AutoModelForImageTextToText

repo = "YuyangZhao/skill1-alfworld-skill-only-qwen3.5-4b-step40"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForImageTextToText.from_pretrained(repo, dtype="bfloat16", device_map="auto")

messages = [{"role": "user", "content": "..."}]
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)

The ALFWorld prompts expect the model to reason inside <think> </think> and then emit one admissible action inside <action> </action>; the skill-selection prompts expect <query>...</query> and <rank>...</rank> outputs.

Notes

  • Weights are bf16 in a single model.safetensors; the vision tower of the base model is included unchanged (it is not used for ALFWorld).
  • The skill library itself is not part of this repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
a167f55

0 моделей