/ 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-step30

Генерация текстаТекст → текст3 профессии

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

18скачиваний 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 контрольная точка языковой модели Qwen2.5-1.5B-Instruct, дообученной разработчиком chanyoungkim методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для управления агентом в текстовых задачах ALFWorld: она генерирует инструкции и действия, которые агент использует для выполнения заданий в интерактивной среде. Архитектура — плотная авторегрессионная Qwen2, размер — 1,5 млрд параметров, формат весов — safetensors, базовые веса указаны как bf16; контекст составляет до 32 768 токенов.

Опубликован шаг оптимизатора 30; на небольшой проверочной выборке ALFWorld valid_seen указана доля успешных выполнений 14,8%. Это промежуточная экспериментальная контрольная точка, а не универсальный агент: оценка не охватывает valid_unseen, а результат зависит от среды и обвязки агента. Репозиторий распространяется по лицензии Apache-2.0; файлы состояния обучения предназначены для возобновления PPO и рассчитаны на world_size=2.

Сценарии применения

  • генерация действий агента для задач ALFWorld
  • исследование обучения языковых агентов методом PPO
  • возобновление PPO-обучения с шага 30
  • оценка поведения агента на заданиях ALFWorld valid_seen

Ограничения

Указанный результат 14,8% измерен только на небольшой выборке ALFWorld valid_seen; valid_unseen не оценивалась. Это промежуточный чекпойнт, качество которого зависит от агентской обвязки и формата действий.

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 30

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

This checkpoint: optimizer step 30.

Optimizer step30
In-training validation success rate14.8%
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/critic/*.ptFSDP-sharded critic weights and optimizer state (needed to resume PPO)

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-step30"
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
5e3dee5

0 моделей