/ Модель

Характеристики

Базовая модель
energydecision-dt-v2
Библиотека
pytorch
Опубликована
10 июл 2026

energydecision-dt-grpo

Обучение с подкреплением

Устаревший Decision Transformer, дообученный GRPO для воспроизведения исследования стратегий торговли и управления батареями на рынке FCAS оператора AEMO.

0скачиваний за 30 дней0лайковвеса обновлены24 авг 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

mrvictoru выпустил этот чекпойнт Decision Transformer, дообученный методом GRPO для воспроизведения эксперимента с торговыми стратегиями батарей на рынке электроэнергии Австралии. Модель относится к семейству офлайн-обучения с подкреплением и рассчитана на симуляцию стратегий зарядки, разрядки и ставок на рынке FCAS оператора AEMO; в метаданных указана библиотека PyTorch и датасет AEMO_simulated_trade.

Чекпойнт является устаревшей версией Legacy 8×384. В README отмечено, что он переобучен на бенчмарке SA1 за четвёртый квартал 2024 года и плохо переносится между регионами; его оставили для воспроизведения исследования GRPO. Для новых экспериментов автор рекомендует Stage C standalone DT. Лицензия в предоставленных данных не указана.

Сценарии применения

  • воспроизведение эксперимента GRPO для торговли энергией
  • симуляция ставок батарей на рынке FCAS AEMO
  • исследование стратегий зарядки и разрядки батарей
  • сравнение офлайн-обучения с подкреплением на исторических рыночных сценариях

Ограничения

Модель переобучена на бенчмарке SA1 за четвёртый квартал 2024 года и показывает слабое обобщение на другие регионы; автор рекомендует использовать более новую Stage C standalone DT для новых работ.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AEMO Decision Transformer — GRPO Post-Trained (Legacy 8x384)

⚠️ OUTDATED — Superseded by the Stage C standalone DT.

This GRPO fine-tuned checkpoint is the legacy 8×384 DT. It was already superseded by the modern v2 pretrained model (no GRPO needed), which in turn was superseded by the Stage C standalone DT distilled from an honest SDP-planning teacher:

SurfaceStage C DTThis model (GRPO)PPO
Standard Oct$11,573$2,678$2,353
Dispatch-matched$35,320$8,242*$22,530
Expanded broad-2024$34,761$2,459$19,504

* Overfit — collapses to $1,533 on the standard surface.

This checkpoint is retained for reproducing the legacy GRPO study only.


Overfitting caveat

The headline dispatch-matched number ($8,242) is a specialist overfit to the SA1 Q4 2024 benchmark. On the broader standard surface this is the worst cross-region generalization of any DT model — worse than even the legacy pretrained baseline ($2,459).

Recommendation: Use the Stage C standalone DT (models/aemo/dt/aemo_dt_sdp_jtsoc_fullcorpus.pt) for any new work.

GRPO Configuration (Phase 1)

ParameterValue
Iterations5
Learning rate1e-5
KL coefficient0.02
Group size8
Training regionsNSW1, SA1, QLD1, VIC1, TAS1
Training date range2024-01-01 → 2024-09-30

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
59c594d

0 моделей