/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
12 июл 2026

lm-playschool-qwen3.5-2b-grpo-base-s42

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3.5-2B, дообученная командой DAIR методом Online GRPO для диалогов и языковых игр.

35скачиваний за 30 дней0лайковвеса обновлены16 авг 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

Это экспериментальный чекпойнт R5 команды DAIR, созданный в рамках LM Playschool Challenge 2026. Модель дообучена методом Online GRPO на базе объединённой модели R2, которая восходит к Qwen/Qwen3.5-2B. Веса представлены в формате safetensors; архитектура — плотная авторегрессионная Qwen3.5 с 1,7 млрд параметров. Модель предназначена для генерации текста и диалогов, в частности для игровых сценариев на естественном языке.

Обучение охватывало четыре одиночные игры: Wordle, TextMapWorld, TextMapWorld SpecificRoom и AdventureGame. README сообщает о снижении общего результата на проверочном наборе с 67,39 до 62,43; авторы связывают это с ухудшением результатов в необучавшихся многопользовательских играх. Метаданные указывают контекстное окно до 262 144 токенов и английский язык. Лицензия — Apache-2.0.

Сценарии применения

  • генерация реплик для одиночных текстовых игр
  • ответы на игровые загадки и задания Wordle
  • следование инструкциям в текстовых приключениях
  • исследование влияния Online GRPO на игровые навыки языковых моделей

Ограничения

В описанном эксперименте итоговый результат снизился относительно предыдущего чекпойнта R2; авторы также сообщают об ухудшении в необучавшихся многопользовательских играх. Обучение было узко сфокусировано на четырёх одиночных играх.

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

R5 — Online GRPO (control arm)

Part of a five-regime developmental sweep of post-training methods for dialogue-game competence (LM Playschool Challenge 2026, team DAIR).

Online GRPO from the merged R2 model, using a from-scratch implementation (no external RL library): K=6 rollouts per instance, 4 instances per step, 60 steps, lr 5e-6, clip eps=0.2, per-token k3 KL to the frozen R2 reference (beta=0.04), sampling at t=0.8 / top-p 0.95. Trained on the four single-player games (wordle, textmapworld, textmapworld_specificroom, adventuregame). Seed 42. No intrinsic reward — this is the control arm.

Effect: a regression, 67.39 -> 62.43. Per-game analysis shows the four trained games improved or held, while untrained two-player games lost heavily (codenames -15.4, guesswhat -11.1, taboo -8.3): narrow online training induced forgetting on the rest of the suite.

All numbers are clemscore / statscore on the playpen validation split, measured in a single frozen environment (Python 3.11, clemcore pinned via playpen, clembench pinned requirements) with two upstream fixes applied: a division-by-zero guard in the privateshared Game Master and the punkt_tab NLTK resource for the IFEval scorer. Earlier revisions of this card reported numbers from an unpinned environment; see the paper for the environment-sensitivity analysis.

Checkpoint family (LM Playschool challenge, team DAIR)

RegimeRepoclemstat
R1 imitation (SFT)lm-playschool-qwen3.5-2b-sft55.6143.87
R2 outcome contrast (DPO)lm-playschool-qwen3.5-2b-sft-dpo67.3944.72
R3 self-imitation (SFT)lm-playschool-qwen3.5-2b-iter361.0644.01
R4 corrective feedback (DPO)lm-playschool-qwen3.5-2b-iter467.6444.31
R5 GRPO (control)lm-playschool-qwen3.5-2b-grpo-base-s4262.4344.19
R5 GRPO + RNDlm-playschool-qwen3.5-2b-grpo-rnd-s4267.4443.53

Base model: Qwen3.5-2B (13.63 / 44.22 in the same environment). Paper: Raising a Small Language Model: From Imitation to Curiosity in Dialogue Games (LM Playschool Challenge 2026).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
1967b9f

0 моделей