Экспериментальный чекпойнт языковой модели Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью RLVE и GRPO в среде Integral на уровне сложности 0. Модель создана как учитель для эксперимента по дистилляции с обучением по текущей политике в 32 средах; опубликован шаг 149 — финальный чекпойнт после 150 обновлений.

Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, принимающая текст и генерирующая текст. Она предназначена для экспериментального использования в задачах Integral и для передачи обучающего сигнала при дистилляции. Контекст составляет 32 768 токенов. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0, унаследованной от базовой Qwen.