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 исследовательский чекпойнт erv1n/e2l-alfworld-qwen3-8b-coldstart — этап холодного старта модели Qwen3-8B для обучения агента взаимодействию со средой ALFWorld. Чекпойнт получен полнопараметрическим онлайн-обучением на основе ошибок: модель обучалась предсказывать следующее наблюдение, а семантический оценщик определял, какие примеры использовать. В основе лежит плотная причинная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов.
Чекпойнт предназначен для инициализации последующего обучения политики методом GRPO с использованием verl-agent, а не описан как готовый автономный агент. Его можно загрузить как обычную модель Transformers. README указывает обучение в ALFWorld и AlfredTWEnv; метаданные задают задачу text-generation и возможность чата. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0. Качество самостоятельного выполнения задач ALFWorld и пригодность вне этого сценария в карточке не заявлены.
Сценарии применения
Инициализация обучения политики GRPO для агента ALFWorld
Продолжение обучения агента в среде AlfredTWEnv
Эксперименты с онлайн-обучением на ошибках и предсказанием следующих наблюдений
Ограничения
Это промежуточный чекпойнт холодного старта, предназначенный для инициализации дальнейшего обучения GRPO; README не заявляет его как готовую политику для самостоятельного решения задач. Качество и обобщение за пределами ALFWorld не описаны.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Stage-1 cold-start checkpoint from
Ch1nyzzz/e2-learning: full-parameter
online mistake-driven experience learning (next-observation SFT gated by a
semantic judge) on ALFWorld AlfredTWEnv, initialized from
Qwen/Qwen3-8B. Source run artifact: outputs/alfworld_qwen3_8b_active_10000_hf/checkpoints/env_step_006220.
Intended use: initialization ("cold start") for Stage-2 policy GRPO training
with verl-agent. Load as a regular
Hugging Face checkpoint (AutoModelForCausalLM.from_pretrained).
controller_state.json is experiment-controller provenance metadata and can
be ignored by inference/training stacks.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров