/ 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
29 июл 2026

strata-qwen2.5-1.5b-alfworld-step010

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct на 10-м шаге RL-обучения StraTA для генерации стратегий и действий в ALFWorld.

17скачиваний за 30 дней0лайковвеса обновлены29 июл 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 промежуточный чекпойнт StraTA на базе Qwen2.5-1.5B-Instruct, созданный для воспроизведения метода Strategic Trajectory Abstraction на задачах ALFWorld. Модель дообучалась методом обучения с подкреплением; опубликованный чекпойнт соответствует 10-му шагу оптимизатора из 150, а карточка приводит результаты более позднего чекпойнта отдельно.

Модель предназначена для генерации текста в агентном сценарии: формировать стратегию и траекторию действий для выполнения задач в ALFWorld. Она содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Валидация этого шага на 140 задачах ALFWorld valid_seen показала 0,71% успеха — столько же, сколько у базовой модели; показатель не отражает результаты финального шага обучения.

Лицензия — Apache-2.0. Это ранний экспериментальный чекпойнт, а не готовая модель для надёжного выполнения задач: качество на опубликованном шаге низкое. Приведённые в карточке результаты финального шага нельзя напрямую переносить на этот чекпойнт; оценка также не проводилась на valid_unseen и зависит от протокола агента.

Сценарии применения

  • Эксперименты с агентами, выполняющими задачи ALFWorld
  • Воспроизведение обучения StraTA с подкреплением
  • Возобновление RL-обучения с сохранённого состояния шага 10

Ограничения

На опубликованном шаге 10 успех на ALFWorld valid_seen составляет 0,71%, на уровне базовой модели; это ранний чекпойнт обучения. valid_unseen не оценивался, а результаты зависят от протокола агента и не сопоставимы напрямую с оценками при других настройках.

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

StraTA / Qwen2.5-1.5B-Instruct / ALFWorld — optimizer step 10

Reproduction of StraTA (Strategic Trajectory Abstraction, arXiv:2605.06642, code xxyQwQ/StraTA @ 592238b) on ALFWorld with Qwen/Qwen2.5-1.5B-Instruct.

This checkpoint: optimizer step 10 of 150.

Optimizer step10 / 150
Validation success rate at this step0.71% (ALFWorld valid_seen, 140 tasks)
Base model success rate0.71%
BackboneQwen/Qwen2.5-1.5B-Instruct (1.54B params, bf16)
EnvironmentALFWorld (AgentGym HTTP interface)
Hardware2x NVIDIA A100 80GB
Wall-clock (full 150 steps)~44 hours

Training curve

Validation success rate on the full ALFWorld valid_seen split (140 tasks), measured every 10 optimizer steps during training. Step 0 is the untrained base model.

optimizer stepsuccess rate (%)
00.71
100.71
203.57
301.43
4014.29
5018.57
606.43
7022.86
8037.14
9042.14
10043.57
11050.71
12069.29
13085.00
14083.57
15086.43

Final evaluation (step 150, 2 seeds)

Run with evaluate-strata-alfworld-text-qwen2.5-1.5b.sh: val_only, 140 tasks, temperature 0.7 / top_p 0.8 / top_k 20, max 50 env steps.

subtaskseed 1seed 2mean ± std
pick97.1497.1497.14 ± 0.00
clean92.5992.5992.59 ± 0.00
pick291.6787.5089.58 ± 2.95
heat81.2581.2581.25 ± 0.00
cool76.0072.0074.00 ± 2.83
look76.9269.2373.08 ± 5.44
ALL87.8685.7186.79 ± 1.52

Auxiliary metrics: action format_rate 1.000 (both seeds), mean episode length 13.2–14.2 steps (base model: 49.7).

Hyperparameters

All algorithm hyperparameters follow the paper: 150 steps, batch size 16, 4 strategies per task, 8 rollouts per strategy, oversampling ratio sigma=8, aggregation ratio delta=0.5, length penalty threshold lambda=0.5, self-judgment reward weight kappa=0.1.

groupparametervalue
StraTAnum_stras_per_run (strategies per task)4
StraTAnum_trajs_per_stra (rollouts per strategy)8
StraTAnum_cands_per_stra (oversampling ratio, sigma)8
StraTAdelta_coef (aggregation ratio)0.5
StraTAlambda_coef (length penalty threshold)0.5
StraTAkappa_coef (self-judgment reward weight)0.1
StraTAuse_diverse_stras / use_self_judgmentTrue / True
StraTAuse_length_reward / use_format_rewardTrue / True
StraTAstrategy embedding modelsentence-transformers/all-MiniLM-L6-v2 (CPU)
RLadv_estimatorgrpo
RLalgorithm.gamma0
RLkl_ctrl.kl_coef0.001
RLactor.use_kl_lossFalse
RLclip_ratio_high0.28
RLloss_agg_modeseq-mean-token-sum
RLentropy_coeff0
RLstepwise_advantageenabled, per_step
Optimlearning rate1e-6
Optimppo_mini_batch_size (global)1024
Optimuse_dynamic_bsz / ppo_max_token_len_per_gpuTrue / 32768
Datatrain_batch_size (tasks per step)16
Dataepisodes per step16 x 4 x 8 = 512
Datamax_prompt_length / max_response_length7168 / 1024
Dataenv num_histories2
Datamax env steps per episode50
Rolloutengine / temperaturevLLM 0.11.0 (async) / 1.0
Evalval_kwargsn=1, temperature 0.7, top_p 0.8, top_k 20
Traintotal steps150 (total_training_steps=151)

Infrastructure deltas

This run reproduces the upstream 7B recipe on 2x A100 80GB. A full diff of the resolved Hydra config against train-strata-alfworld-text-qwen2.5-7b.sh shows 6 differing keys out of 533, all infrastructure -- no algorithm or optimization parameter was changed:

keyupstream 7Bthis runeffect on results
trainer.n_gpus_per_node82none -- verl computes ppo_mini_batch_size *= rollout.n then //= world_size, so the global mini-batch is invariant
actor.fsdp_config.param_offloadTrueFalsenone -- CPU offload only
actor.fsdp_config.optimizer_offloadTrueFalsenone
ref.fsdp_config.param_offloadTrueFalsenone
actor.checkpoint.save_contents[hf_model][model,optimizer,extra,hf_model]none -- what gets written
trainer.save_freq5010none -- checkpoint cadence

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "chanyoungkim/strata-qwen2.5-1.5b-alfworld-step010"
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
tok = AutoTokenizer.from_pretrained(repo)

The model expects the StraTA ALFWorld prompt format: it first emits a plan inside <strategy>...</strategy>, then acts, emitting one action per turn inside <action>...</action>.

Files

pathcontents
model.safetensors, config.json, tokenizer filesbf16 weights, ready for from_pretrained. lm_head is omitted because tie_word_embeddings=true (same layout as the base Qwen release).
training_state/model_world_size_2_rank_{0,1}.ptFSDP-sharded fp32 weights
training_state/optim_world_size_2_rank_{0,1}.ptAdam optimizer state
training_state/extra_state_world_size_2_rank_{0,1}.ptRNG and scheduler state
training_state/fsdp_config.jsonFSDP layout descriptor

training_state/ lets you resume RL training from this exact optimizer step. Note the shards are written for world_size=2 (2 GPUs, FSDP). Resuming on a different number of GPUs requires resharding. To resume, place the files back as checkpoints/<exp>/models/global_step_10/actor/ and point verl at that directory.

The published model.safetensors is a bf16 cast of the fp32 master weights; the original fp32 tensors are preserved inside training_state/.

All checkpoints from this run

step 10 · step 20 · step 30 · step 40 · step 50 · step 60 · step 70 · step 80 · step 90 · step 100 · step 110 · step 120 · step 130 · step 140 · step 150

Caveats

  • Do not use is_correct or pass@1 from the logs. Both are hardcoded to 1.0 in the workflow and are meaningless. The correct metric is val/average/metrics/success_rate.
  • Evaluation uses the StraTA inference protocol (one strategy, then one trajectory conditioned on it; no diversity selection, no self-judgment). This is what strata_workflow.run() does when rollout_engine.validate is set, and it matches evaluate-strata-*.sh.
  • Numbers here are not directly comparable to models evaluated under a different agent scaffold (different prompt format, context window, or sampling temperature).
  • The evaluation set is ALFWorld valid_seen (140 tasks, all of them -- not a subsample). valid_unseen was not evaluated.

Citation

@article{xue2026strata,
  title={StraTA: Incentivizing Agentic Reinforcement Learning with Strategic Trajectory Abstraction},
  author={Xue, Xiangyuan and Zhou, Yifan and Wang, Zidong and Tang, Shengji and Torr, Philip and Ouyang, Wanli and Bai, Lei and Yin, Zhenfei},
  journal={arXiv preprint arXiv:2605.06642},
  year={2026}
}

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
77bce2d

0 моделей