/ Модель

Характеристики

Опубликована
15 июл 2026

ppo-CartPole-v1-task1

Обучение с подкреплением

Обученный на PPO агент PyTorch балансирует шест на тележке в среде Gymnasium CartPole-v1.

0скачиваний за 30 дней0лайковвеса обновлены15 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

Это обученный агент Actor-Critic на алгоритме Proximal Policy Optimization (PPO), созданный в рамках эксперимента по машинному обучению. Он взаимодействует со средой CartPole-v1 из Gymnasium и предназначен для балансировки шеста на движущейся тележке. Модель реализована на PyTorch; обучение проведено за 19 968 шагов с четырьмя параллельными средами и фиксированным seed 42.

На 20 оценочных эпизодах средняя награда составила 442,5 при стандартном отклонении 75,6; результаты варьировались от 299 до 500. Агент рассчитан на демонстрацию и эксперименты в CartPole-v1, а перенос на другие среды или задачи не подтверждён. Репозиторий содержит обученный чекпойнт PyTorch и результаты оценки. Лицензия в предоставленных данных не указана.

Сценарии применения

  • демонстрация обучения агента PPO в CartPole-v1
  • оценка политики Actor-Critic в Gymnasium
  • изучение обучения с подкреплением на простой среде управления
  • воспроизведение результатов эксперимента PPO с CartPole

Ограничения

Проверена только в среде CartPole-v1; перенос на другие задачи не подтверждён. Оценка по 20 эпизодам показывает заметный разброс награды.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PPO Agent for CartPole-v1

This repository contains a PPO Actor-Critic agent trained on the Gymnasium CartPole-v1 environment as part of Machine Learning Experiment 5.

Experiment configuration

  • Algorithm: Proximal Policy Optimization (PPO)
  • Environment: CartPole-v1
  • Framework: PyTorch
  • Random seed: 42
  • Clip coefficient: 0.2
  • Training steps: 19968
  • Parallel environments: 4
  • Rollout steps: 128
  • Learning rate: 0.00025

Evaluation results

  • Evaluation episodes: 20
  • Mean reward: 442.50
  • Standard deviation: 75.60
  • Minimum reward: 299.00
  • Maximum reward: 500.00

Debugging modifications

The original tutorial used an outdated Gym interface. The implementation was updated to Gymnasium and modified to support the current reset() and step() return formats. The Actor-Critic network, PPO training loop, evaluation procedure, model saving, training visualization, and video recording pipeline were successfully executed on Google Colab.

Repository contents

  • ppo_cartpole_task1_seed42.pt: trained PyTorch checkpoint
  • results.json: quantitative evaluation results
  • task1_cartpole_training_curve.png: training reward curve
  • ppo_cartpole_demo.mp4: evaluation video

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
2717bc8

0 моделей