/ Модель

Характеристики

Опубликована
11 сен 2026

ppo-LunarLander-v2

Обучение с подкреплением3 профессии

Обученный агент PPO управляет посадочным модулем в симуляции LunarLander-v2 и достиг среднего вознаграждения выше порога решения среды.

99скачиваний за 30 дней0лайковвеса обновлены26 сен 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 обученная модель агента PPO (Proximal Policy Optimization) для управления посадочным модулем в среде LunarLander-v2. Модель разработана автором репозитория на PyTorch с нуля, с использованием фреймворка CleanRL.

Агент предназначен для выбора действий в симуляции посадки: по наблюдениям среды он управляет движением модуля. В README сообщается, что средняя награда на 10 оценочных эпизодах составила 292,50 ± 11,20, что превышает порог решения среды 200. В репозитории указан формат PyTorch. Сведения о лицензии, архитектуре сети и точном составе наблюдений не приведены.

Сценарии применения

  • управление посадочным модулем в LunarLander-v2
  • эксперименты с обучением с подкреплением
  • изучение PPO на примере дискретной симуляционной среды

Ограничения

Оценка основана на 10 эпизодах; результатов на других средах или условиях README не приводит. Лицензия и детали архитектуры сети не указаны в предоставленных данных.

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

PPO Agent Playing LunarLander-v2

This is a trained model of a PPO (Proximal Policy Optimization) agent playing LunarLander-v2 implemented from scratch with PyTorch using the CleanRL framework.

🏆 Evaluation Results

  • Mean Reward: 292.50 +/- 11.20
  • Lower Bound Result (Mean - Std): 281.30
  • Episodes Evaluated: 10
  • Status: Solved (Environment threshold: 200.0)

Hyperparameters

{
  'anneal_lr': True,
  'batch_size': 2048,
  'capture_video': False,
  'clip_coef': 0.2,
  'clip_vloss': True,
  'cuda': True,
  'ent_coef': 0.01,
  'env_id': 'LunarLander-v2',
  'exp_name': 'ppo',
  'gae': True,
  'gae_lambda': 0.95,
  'gamma': 0.99,
  'learning_rate': 0.00025,
  'max_grad_norm': 0.5,
  'num_envs': 16,
  'num_minibatches': 4,
  'num_steps': 128,
  'repo_id': 'umesh251/ppo-LunarLander-v2',
  'seed': 1,
  'total_timesteps': 500000,
  'update_epochs': 4,
  'vf_coef': 0.5
}

How to use

import gym
import torch
from test_agent import Agent

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
env = gym.make("LunarLander-v2")
agent = Agent(env).to(device)

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
0c8c57f

0 моделей