Характеристики

Контекст: 262 144 токена
Размер весов: 10,3 ГБ
Лицензия: Apache 2.0
Архитектура: qwen3_5 · dense
Базовая модель: Qwen3.5-4B
Библиотека: transformers
Опубликована: 25 июл 2026

Ссылки

Qwen3.5-4B-aerialsim-rl-step100

Обучение с подкреплением

Экспериментальный чекпойнт Qwen3.5-4B, дообученный методом GRPO для сценариев воздушной безопасности в мультимодальной симуляции.

12скачиваний за 30 дней0лайковвеса обновлены25 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Qwen3.5-4B-aerialsim-rl-step100 — мультимодальная модель Maya Multimodal, полученная дообучением Qwen/Qwen3.5-4B методом GRPO на 17 семействах сценариев безопасности для воздушной симуляции. Чекпойнт содержит веса после 100 шагов обучения; для обучения использовались prime-rl и среда aerialsim-env с Cosys-AirSim и сценой UE5.5 Blocks.

Модель предназначена для выполнения сценариев воздушной безопасности в симуляции по совместному наблюдению, включающему изображение и текстовое состояние. В README сообщается результат 131 из 136 успешных оценок; 15 из 17 семейств сценариев пройдены без ошибок, а в семействе multi_obstacle_dense результат составил 3 из 8 из-за шума оракула. Это короткий экспериментальный чекпойнт, поэтому результаты ограничены указанной средой и настройкой оценки и не подтверждают надёжность в реальных полётах. Лицензия — Apache-2.0.

Сценарии применения

оценка поведения агента в сценариях воздушной безопасности
прохождение симуляционных сценариев с изображением и текстовым состоянием
исследование дообучения VLM методом GRPO
проверка маршрутизации и обхода препятствий в AirSim

Ограничения

Результаты относятся к конкретной симуляционной среде и настройке оценки: 15 из 17 семейств пройдены идеально, но в multi_obstacle_dense модель набрала 3/8. Чекпойнт обучен всего 100 шагов, и его результаты не подтверждают пригодность для реальных полётов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B-aerialsim-rl-step100

Qwen3.5-4B fine-tuned with GRPO on the aerialsim-env 17-family aerial safety scenario mix, trained via prime-rl on a 2x H100 pod. Step-100 checkpoint from run smoke_17family_qwen3_5_4b_bugfix_lowlr_2026-07-12 on the fixed env (Option A + prior segment_index / eval-prompt fixes).

Training

Base: Qwen/Qwen3.5-4B
Env: aerialsim-env with 17 scenario families, Cosys-AirSim / UE5.5 Blocks scene, obs_mode="both" (image + text state), binary reward
GRPO, batch=8, group=4, lr=5e-7, T=0.3 train / 0.0 eval, seq_len=8192
100 training steps

Per-family eval (T=0, n=8 per family, deterministic single decode)

15/17 families perfect. patrol_with_reroute also 8/8 (RL closes the last 2 fails from cold-4B's 6/8). Only multi_obstacle_dense remains at 3/8 due to oracle noise (heuristic policy scores 5/8 on the same family).

Aggregate: 131/136 = 0.963 (matches the heuristic policy ceiling).

Author

Nahid Alam (@nahidalam) - Maya Multimodal.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Класс архитектуры: Qwen3_5ForConditionalGeneration
Ревизия весов: b9f491a