/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
7 авг 2026

grpo-qwen2.5-1.5b-alfworld-step140

Генерация текстаТекст → текст3 профессии

Промежуточная версия Qwen2.5-1.5B-Instruct, дообученная методом GRPO для выполнения текстовых задач агента в ALFWorld.

27скачиваний за 30 дней0лайковвеса обновлены7 авг 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

Модель chanyoungkim/grpo-qwen2.5-1.5b-alfworld-step140 — контрольная точка Qwen2.5-1.5B-Instruct, дообученная разработчиком методом GRPO на среде ALFWorld с использованием langfengQ/verl-agent. Это плотная авторегрессионная языковая модель на 1,5 млрд параметров для генерации текста и диалогового взаимодействия; она принимает текст и выдаёт текст. Контекстное окно составляет 32 768 токенов, веса доступны в формате safetensors и bf16, модель рассчитана на работу через Transformers.

Основное назначение — выполнение задач в ALFWorld, где агент должен понимать текстовое описание среды и формулировать последовательность действий. В карточке указана успешность 66,4% на внутритренировочной проверке; оценивалась только выборка valid_seen, а valid_unseen не проверялась. Это промежуточный чекпойнт на шаге оптимизатора 140, поэтому результаты не следует считать оценкой качества на широком круге задач. Лицензия — Apache-2.0.

Сценарии применения

  • выполнение текстовых заданий в ALFWorld
  • выбор следующего действия агента по описанию игровой среды
  • проверка обучения агента с подкреплением на задачах ALFWorld

Ограничения

Проверка проведена только на ALFWorld valid_seen; valid_unseen не оценивалась. Значения is_correct и pass@1 в логах некорректны и не должны использоваться вместо val/success_rate.

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

GRPO / Qwen2.5-1.5B-Instruct / ALFWorld — optimizer step 140

RL fine-tuning of Qwen/Qwen2.5-1.5B-Instruct on ALFWorld with GRPO, using langfengQ/verl-agent.

This checkpoint: optimizer step 140.

Optimizer step140
In-training validation success rate66.4%
BackboneQwen/Qwen2.5-1.5B-Instruct (1.54B params, bf16)
EnvironmentALFWorld alfworld/AlfredTWEnv
Hardware2x NVIDIA A100 80GB

Training curve

In-training validation success rate (val/success_rate), measured every 5 optimizer steps on a 32-task validation batch (shown every 10 steps below). This is a smaller and noisier probe than the 128-task standalone evaluation.

optimizer stepsuccess rate (%)
06.2
107.8
2010.9
3019.5
4016.4
5028.1
6032.8
7035.9
8032.8
9030.5
10046.1
11050.0
12065.6
13071.1
14066.4
15074.2
16078.9
17088.3
18085.2

Hyperparameters

groupparametervalue
RLadv_estimatorgrpo
RLactor.use_kl_loss / kl_loss_coefTrue / 0.01
RLkl_loss_typelow_var_kl
RLinvalid action penaltyTrue, coef 0.1
Optimlearning rate1e-6
Optimppo_mini_batch_size256
Datatrain_batch_size16
Datagroup size (env.rollout.n)8
Dataepisodes per step16 x 8 = 128
Datamax_prompt_length / max_response_length2048 / 512
Rolloutengine / TP / gpu_memory_utilizationvLLM / 2 / 0.6
Rolloutval_kwargs.temperature0.4
Trainsave_freq / test_freq10 / 5

Files

pathcontents
model.safetensors, config.json, tokenizer filesbf16 weights, merged from the FSDP shards with scripts/model_merger.py. lm_head is omitted because tie_word_embeddings=true (same layout as the base Qwen release).
training_state/actor/*.ptFSDP-sharded actor weights, Adam optimizer state, RNG/scheduler state

training_state/ lets you resume RL training from this exact optimizer step. The shards are written for world_size=2; resuming on a different number of GPUs requires resharding.

Other checkpoints from this run

step 130 · step 140

Not every step was retained: the run used trainer.max_actor_ckpt_to_keep, so some intermediate checkpoints were pruned during training.

Caveats

  • Do not use is_correct / pass@1 from verl logs; they are hardcoded to 1.0. Use val/success_rate.
  • Evaluated on ALFWorld valid_seen only; valid_unseen was not run.
  • A StraTA reproduction is published alongside these models (chanyoungkim/strata-qwen2.5-1.5b-alfworld-step*). It uses a different agent scaffold (140 eval tasks, temperature 0.7, 7168-token prompts, strategy-conditioned prompting) and is therefore not directly comparable to the numbers above.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "chanyoungkim/grpo-qwen2.5-1.5b-alfworld-step140"
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
tok = AutoTokenizer.from_pretrained(repo)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
3bff836

0 моделей