/ 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
11 июл 2026

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

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3.5-2B с GRPO и бонусом RND для исследований компетентности в диалоговых играх.

34скачиваний 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

Модель varadsrivastava/lm-playschool-qwen3.5-2b-grpo-rnd-s42 — экспериментальный чекпойнт команды DAIR для диалоговых игр, созданный в рамках LM Playschool Challenge 2026. Это дообученная методом Online GRPO текстовая модель на архитектуре Qwen3.5 с 1,7 млрд параметров; контекстное окно составляет 262144 токена. По сравнению с контрольной версией GRPO в обучение добавили бонус за новизну на основе RND, рассчитанный по токенам действий модели. Авторы сообщают, что на валидационном разбиении playpen результат вырос с 62,43 до 67,44 clemscore/statscore, а улучшение было сосредоточено на играх, на которых GRPO не обучалась.

Модель предназначена для исследований постобучения небольших языковых моделей и оценки их компетентности в диалоговых играх. Она поддерживает генерацию текста и диалоговый режим; README описывает эксперименты с играми и отчёт о результатах, но не даёт оснований считать её универсальным игровым агентом или мультимодальной моделью. Весы опубликованы в формате safetensors по лицензии Apache-2.0. Результаты измерены в конкретной зафиксированной среде и зависят от набора игр и условий оценки.

Сценарии применения

  • исследование влияния бонуса новизны на обучение языковой модели
  • оценка поведения модели в диалоговых играх
  • сравнение GRPO с контрольным режимом постобучения
  • генерация ответов в экспериментальных игровых диалогах

Ограничения

Заявленные результаты относятся к валидационному разбиению playpen и зафиксированной среде оценки, поэтому могут зависеть от среды и набора игр. README описывает экспериментальный чекпойнт и не подтверждает качество на широком спектре прикладных задач.

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 + intrinsic novelty (RND)

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

Identical to the control arm (...-grpo-base-s42) in seed, steps, data and hyperparameters, differing only by an added random-network-distillation novelty bonus: each episode return is augmented by the normalised prediction error of a trained predictor against a frozen random target over a frozen random embedding of the agent's own action tokens (lambda=0.1, clipped at 5). Because GRPO advantages are group-normalised, only within-group novelty differences carry gradient.

Effect: 62.43 -> 67.44, recovering essentially all of plain GRPO's regression (+5.01 over the control), concentrated in the games GRPO was not trained on. The bonus acts as a regulariser against distributional drift rather than as an explorer. This is the paper's central controlled result.

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
51a1a0d

0 моделей