/ 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

ppo-qwen2.5-1.5b-alfworld-step20

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный PPO для выбора действий в задачах ALFWorld.

16скачиваний 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

Это экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, разработанный Chanyoung Kim и дообученный методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для генерации текста и выбора действий в задачах взаимодействия с виртуальным окружением ALFWorld; в README указан шаг оптимизатора 20 и проверочная успешность 13,3% на небольшом наборе valid_seen из 32 задач.

Чекпойнт основан на плотной авторегрессионной архитектуре Qwen2ForCausalLM с 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса сохранены в bf16 и формате safetensors; модель распространяется по лицензии Apache-2.0. Это ранний промежуточный шаг обучения, поэтому качество ограниченно: приведённый результат относится только к valid_seen, проверка valid_unseen не проводилась, а оценка на небольшой выборке шумная. Для возобновления обучения доступны FSDP-состояния, рассчитанные на world_size=2; при другом числе GPU потребуется переразбиение.

Сценарии применения

  • выбор действий в текстовых задачах ALFWorld
  • эксперименты с PPO для языковых агентных моделей
  • возобновление PPO-обучения с шага оптимизатора 20

Ограничения

Успешность 13,3% измерена только на valid_seen по небольшой выборке из 32 задач; valid_unseen не оценивался. Чекпойнт соответствует раннему шагу обучения, поэтому его качество ограниченно.

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

PPO / Qwen2.5-1.5B-Instruct / ALFWorld — optimizer step 20

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

This checkpoint: optimizer step 20.

Optimizer step20
In-training validation success rate13.3%
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
2013.3
3014.8
4016.4
5034.4
6035.2
7036.7
8043.0
9050.0
10059.4
11064.8
12063.3
13070.3
14068.0
15064.8

Run history

This run (ppo_qwen2.5_1.5b_v3) is the third PPO attempt. An earlier attempt collapsed — its step-130 checkpoint scored 9.90% with a 1.3% action format rate, i.e. the policy stopped emitting parseable actions. The run published here was restarted from checkpoints twice (at step 30 and step 80) for operational reasons, not because of divergence; the validation curve is continuous across those boundaries.

Hyperparameters

groupparametervalue
RLadv_estimatorgae
RLactor.use_kl_loss / kl_loss_coefTrue / 0.01
RLkl_loss_typelow_var_kl
RLinvalid action penaltyTrue, coef 0.1
Optimactor learning rate1e-6
Optimcritic learning rate1e-5
Optimppo_mini_batch_size256
Datatrain_batch_size128
Datagroup size (env.rollout.n)1
Dataepisodes per step128 x 1 = 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 10 · step 20 · step 30 · step 60 · step 70 · step 80 · step 130 · step 140 · step 150

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/ppo-qwen2.5-1.5b-alfworld-step20"
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
d0f497d

0 моделей