/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Опубликована
28 ноя 2025

MARSHAL-Generalist-Qwen3-4B

Генерация текстаТекст → текст3 профессии

Дообученная на самоигре в стратегические игры модель Qwen3-4B для генерации текста, диалогов и рассуждений в многоагентных сценариях.

94скачиваний за 30 дней0лайковвеса обновлены11 фев 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

MARSHAL-Generalist-Qwen3-4B — языковая модель общего назначения из фреймворка MARSHAL, разработанного авторами проекта MARSHAL. Модель инициализирована из Qwen/Qwen3-4B и дообучена методом обучения с подкреплением через самоигру в стратегические игры, включая крестики-нолики, Kuhn Poker и Mini Hanabi. Это плотная авторегрессионная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса в формате Safetensors.

Модель предназначена для генерации текста и диалогов, стратегического рассуждения и применения в многоагентных системах. В описании сообщается об улучшении результатов на отложенных стратегических играх и о приросте на бенчмарках рассуждений при интеграции в такие системы. Основной язык, обозначенный в метаданных, — английский. Модель принимает и генерирует текст; метаданные также отмечают интерфейс вызова инструментов.

Модель распространяется по лицензии Apache-2.0. Её специализация на стратегических играх и самоигре не гарантирует одинакового качества в произвольных прикладных задачах; приведённые результаты зависят от тестов и конфигурации многоагентной системы.

Сценарии применения

  • игра в крестики-нолики и другие пошаговые стратегические игры
  • стратегические решения в покере с неполной информацией
  • кооперативная игра в Hanabi
  • генерация реплик для многоагентной системы
  • оценка стратегического рассуждения на игровых сценариях

Ограничения

Дообучение ориентировано на стратегические игры и не гарантирует сопоставимого качества в других областях. Заявленные улучшения на бенчмарках зависят от многоагентной системы и условий оценки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MARSHAL: Incentivizing Multi-Agent Reasoning via Self-Play with Strategic LLMs

🎉 Accepted by ICLR 2026

License Python arXiv

🌐 Project Page | 📝 Paper | 💻 Code


🤗 Model Description

This is the generalist model of the MARSHAL framework, initialized from Qwen3-4B. It has been trained via self-play on a diverse set of strategic games—Tic-Tac-Toe, Kuhn Poker, and Mini Hanabi—encompassing both competitive and cooperative dynamics, as well as perfect and imperfect information settings.

📖 Overview

We introduce MARSHAL, an end-to-end reinforcement learning framework designed to incentivize Multi-Agent Reasoning through Self-play witH strAtegic LLMs in a diverse range of competitive and cooperative games.

MARSHAL addresses the challenge of credit assignment in multi-agent multi-turn self-play through two core mechanisms:

  1. Turn-level Advantage Estimator: Enables fine-grained credit assignment, allowing the model to accurately attribute long-term outcomes to individual actions and provide learning signals across multiple turns.
  2. Agent-specific Advantage Normalization: Stabilizes the training process by calibrating advantage estimates relative to the performance of each agent.

🔥 Key Results

By leveraging self-play across strategic games, MARSHAL (based on Qwen3-4B) demonstrates notable generalization capabilities:

  • Strategic Games: Achieves up to 28.7% performance improvement on held-out games.
  • Reasoning Benchmarks: When integrated into leading multi-agent systems (MASs), MARSHAL yields consistent gains of up to
    • +10.0% on AIME
    • +7.6% on GPQA-Diamond
    • +3.5% on average across all tested benchmarks.

🎮 Featured Games

  • Competitive, perfect-information: Tic-Tac-Toe, Connect Four.
  • Competitive, imperfect-information: Kuhn Poker, Leduc Hold'em.
  • Cooperative, imperfect-information: Mini Hanabi, Simple Hanabi.

🚀 Method

Figure 1: Overview of MARSHAL. Left: Generating player trajectories via self-play in strategic games. Middle: Naive advantage estimation (e.g., GRPO) often fails in multi-turn settings. Right: MARSHAL's advantage estimation ensures accurate credit assignment for multi-turn, multi-agent interactions.

📊 Results

Figure 2: Performance Comparison. Evaluation of MARSHAL against baselines on strategic games and reasoning benchmarks. MARSHAL not only masters strategic games but also generalizes effectively to complex reasoning tasks within multi-agent frameworks like MAD and AutoGen.


🖊️ Citation

If you find our work helpful, please cite:

@misc{yuan2025marshal,
      title={MARSHAL: Incentivizing Multi-Agent Reasoning via Self-Play with Strategic LLMs},
      author={Huining Yuan and Zelai Xu and Zheyue Tan and Xiangmin Yi and Mo Guang and Kaiwen Long and Haojia Hui and Boxun Li and Xinlei Chen and Bo Zhao and Xiao-Ping Zhang and Chao Yu and Yu Wang},
      year={2025},
      eprint={2510.15414},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={[https://arxiv.org/abs/2510.15414](https://arxiv.org/abs/2510.15414)},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
267b80a

0 моделей