Модель davidheineman/opd-teacher-Q2.5I-Sorting-step149 — дообученная версия Qwen2.5-1.5B-Instruct, созданная David Heineman для эксперимента по on-policy дистилляции. Она обучена с помощью GRPO на среде Sorting с уровнем сложности 0 и предназначена как модель-учитель для эксперимента с 32 средами. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors и используют библиотеку Transformers.

Модель подходит для исследования обучения агентов решению задач сортировки и проверки сценариев дистилляции с учителем. Чекпойнт соответствует 150-му обновлению обучения. README сообщает, что веса преобразованы из финального исходного чекпойнта и сверены с базовой моделью по именам и формам тензоров. Лицензия — Apache 2.0, унаследованная от Qwen.