/ 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
6 июл 2026

lm-playschool-qwen3.5-2b-iter3

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3.5-2B, дообученная на собственных успешных прохождениях диалоговых игр для генерации игровых ответов.

31скачиваний 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

LM Playschool Challenge 2026 — экспериментальная версия R3 от команды DAIR, полученная дообучением Qwen/Qwen3.5-2B методом SFT на успешных эпизодах самой модели в восьми диалоговых играх. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3.5 и предназначена для генерации текста в диалогах и игровых сценариях. Контекстное окно — до 262 144 токенов; модель работает через Transformers.

Дообучение проводилось один лёгкий эпохой на 516 траекториях, собранных из 490 эпизодов с долей успеха 63%; использовалась LoRA r=16, без KL-якоря и повторного обучения на общих данных. Авторы сообщают о снижении результата на валидации с 67,39 у предыдущей версии R2 до 61,06 у R3 и публикуют её как отрицательный результат. Модель доступна по лицензии Apache-2.0.

Сценарии применения

  • генерация ответов в диалоговых играх
  • эксперименты с самообучением языковых моделей
  • сравнение методов дообучения для игровых диалогов

Ограничения

В описанной оценке R3 уступила предыдущей версии R2: результат снизился с 67,39 до 61,06. Выводы относятся к заданным игровым сценариям и условиям 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

R3 — Self-imitation (SFT)

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

One light SFT epoch on the model's own successful episodes: the R2 model played the full public instance sets of eight games (490 episodes, 63% successful; validation-overlapping instances excluded), yielding 516 per-player trajectories. LoRA r=16, lr 2e-5, no KL anchor, no general-data replay.

Effect: a regression, 67.39 -> 61.06. Rehearsing one's own successes, delivered through an unanchored objective, perturbed behaviour on games both present in and absent from the self-play data. Released as a negative result; we rule out a train/inference format mismatch and reversion toward the pre-DPO policy (see paper).

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
c767b39

0 моделей