/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
4 июл 2026

Qwen3.5-2B-playpen-playornotplay

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.5-2B для игры в текстовые диалоговые игры и выполнения ходов в интерактивных игровых средах.

419скачиваний за 30 дней1лайквеса обновлены14 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

Qwen3.5-2B Playpen Agent — текстовая диалоговая модель команды playornotplay для интерактивных игр из задания LM Playschool Challenge / Playpen. Модель разработана дообучением Qwen/Qwen3.5-2B с помощью LoRA на игровых диалогах из набора colab-potsdam/playpen-data; репозиторий содержит объединённые веса fp32. Архитектура — плотная причинная языковая модель Qwen3.5 с примерно 1,7 млрд параметров и контекстом до 262 144 токенов.

Модель предназначена для пошагового взаимодействия с игровыми средами через текст. В официальной оценке она заметно превзошла исходную Qwen3.5-2B по Clemscore на публичном и закрытом внутридоменном наборах, сохранив примерно тот же Statscore. На вне-доменном наборе Clemscore остался низким, а улучшение статических тестов не гарантирует роста качества на каждом из них. Это специализированный игровой агент, а не универсальная модель для любых диалогов. Указанная лицензия — Apache-2.0.

Сценарии применения

  • прохождение текстовых интерактивных игр
  • выбор следующего хода в пошаговой диалоговой игре
  • генерация ответов игровому ведущему или игровому интерфейсу
  • выполнение заданий Wordle и похожих словесных игр

Ограничения

Качество за пределами обучающего игрового домена ограничено: в README отмечен низкий результат на вне-доменном наборе. Улучшения сосредоточены на отдельных играх, особенно вариантах Wordle, и не означают роста на каждом статическом тесте.

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

Qwen3.5-2B Playpen Agent — team playornotplay

Submission for the LM Playschool Challenge / Playpen shared task (EMNLP 2026 Workshop) by team playornotplay.

We fine-tuned Qwen/Qwen3.5-2B with LoRA for text-only interactive dialogue-game play. Source trajectories and instances come from the train split of colab-potsdam/playpen-data; preference training uses synthetic turn-local pairs and model-generated branch pairs. The Hugging Face repository provides full merged weights and the scaled LoRA adapter used to produce them.

Paper: Acquire, Repair, Preserve: A Diagnosis-Guided Post-Training Recipe for Small-Model Dialogue Game Agents (arXiv 2608.28458)

Official final evaluation

Results are from the official LM Playschool 2026 leaderboard, using snapshot 2dd5a533 and its absolute-score table.

MetricOfficial Qwen3.5-2B baselineThis modelDifference
Public Clemscore10.6738.92+28.25
Public Statscore44.2444.14−0.10
Closed in-domain Clemscore13.4141.17+27.76
Closed out-of-domain Clemscore3.727.88+4.16

The submitted model improves public and closed in-domain Clemscore while approximately preserving aggregate Statscore. Out-of-domain Clemscore remains low (7.88), with the largest gains concentrated in held-out Wordle variants. Aggregate static preservation does not imply improvement on every static benchmark.

The official evaluation used clemcore 3.7.2, temperature 0, a 5,000-token generation limit, and enable_thinking=False. Its public suite contains 72 interactive and 430 static episodes; the closed suites contain 1,272 in-domain and 360 out-of-domain episodes. The organizer's metadata does not record the exact clembench game-tree revision.

Submitted model

We submitted the fp32-merged model chnln/Qwen3.5-2B-playpen-playornotplay at Hugging Face revision 828e356.

How to load

The submitted checkpoint stores the merged weights in fp32. Load it with torch_dtype="auto" to retain its stored precision.

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "chnln/Qwen3.5-2B-playpen-playornotplay"
revision = "828e356bc2f4bb4b200b533a49cc3094e1033fa0"

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    revision=revision,
    torch_dtype="auto",  # preserve the stored fp32 weights
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)

Use the bundled chat template with enable_thinking=False when formatting game messages.

Development results

We evaluated on the validation split of colab-potsdam/playpen-data at revision 557d8caf, using the instances configuration. The suite contains 67 interactive episodes across 14 games.

The evaluator used clembench tree ed39486. These results are not directly comparable with the official final evaluation, which used a different protocol.

Phase or checkpointMethodClemscore
BaseQwen3.5-2B13.05
A · AcquireBroad SFT43.85
B1 · RepairTurn-DPO: repeat / length46.83
B2 · RepairTurn-DPO: invalid / duplicate45.52
C · RefineBranch-DPO48.52
D · PreserveDelta scaling, s=0.8550.43†
Submitted modelfp32 merge48.70

† Mean of two runs on the same host (50.82 and 50.03). All Clemscores cover the full 14-game development suite. Phases B and C train on Wordle data only.

Training summary

The training pipeline has four phases:

PhaseMethodData or operation
A · AcquireBroad SFTSuccessful Playpen training episodes, capped at 700 per game
B · RepairTwo passes of turn-local DPOWordle: repeated guesses / bad length, then invalid words / duplicate answer fields
C · RefineBranch-DPOImmediate diverging responses from the current model's branched Wordle trajectories, paired by downstream episode score
D · PreserveTraining-free delta scaling and fp32 mergeScale the learned LoRA delta by s=0.85, then merge into the base

These four phases produced the submitted checkpoint at Hugging Face revision 828e356.

Training configuration. All trainable phases use LoRA rank 16, alpha 32, dropout 0.05, all-linear targets, AdamW, a cosine schedule with warmup ratio 0.03, one epoch, and bf16 training. Data shuffling/splitting uses seed 42; a 5% holdout is taken from the constructed training corpus, not from the challenge validation split.

PhaseLearning rateDPO betaMicro-batch × accumulationMax lengthGradient checkpointing
A · Broad SFT2e-4—8 × 4 = 322,048On
B1 · Turn-DPO, repeat / length5e-60.11 × 16 = 161,024Off
B2 · Turn-DPO, invalid / duplicate5e-60.11 × 16 = 161,024Off
C · Branch-DPO5e-60.21 × 16 = 161,024On

See the paper for data and preference construction, model selection and packaging, compute, and reproducibility details.

Citation

If you use this model or training recipe, please cite our paper:

@misc{li2026acquirerepairpreserve,
  title = {Acquire, Repair, Preserve: A Diagnosis-Guided Post-Training Recipe for Small-Model Dialogue Game Agents},
  author = {Nan Li},
  year = {2026},
  eprint = {2608.28458},
  archivePrefix = {arXiv},
  primaryClass = {cs.CL},
  url = {https://arxiv.org/abs/2608.28458v1}
}

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_5ForCausalLM
Ревизия весов
2ada597

0 моделей