/ 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
7 июл 2026

lm-playschool-qwen3.5-2b-iter4

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная методом DPO модель Qwen3.5-2B для повышения успешности в диалоговых играх.

33скачиваний за 30 дней1лайквеса 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

Экспериментальный чекпойнт R4 команды DAIR для LM Playschool Challenge 2026 — второй этап дообучения методом DPO базовой Qwen/Qwen3.5-2B. Модель с архитектурой Qwen3.5 dense и 1,7 млрд параметров предназначена для диалоговых игровых задач; в README описана настройка на компетентность в таких играх с использованием корректирующей обратной связи и предпочтений ответов. Метаданные указывают поддержку чата и контекст до 262 144 токенов.

Для обучения использовали 201 пару предпочтений: 107 пар, основанных на разных результатах собственных запусков модели, и 94 пары с успешными ответами более сильной модели для случаев, где оба запуска завершились неудачей. На валидационном разбиении в зафиксированной среде чекпойнт получил clemscore 67,64; авторы отмечают, что преимущество над предыдущим этапом укладывается в вариативность между запусками. Это исследовательский экспериментальный чекпойнт, а не универсальная модель для диалога. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • прохождение диалоговых игр
  • тестирование методов DPO для игровых диалогов
  • исследование обучения по предпочтениям ответов
  • сравнение стратегий дообучения малых языковых моделей

Ограничения

Результат измерен только на валидационном разбиении игрового бенчмарка в конкретной зафиксированной среде; авторы отмечают, что небольшое улучшение относительно предыдущей версии находится в пределах вариативности запусков. README не подтверждает сохранение общих возможностей базовой модели за пределами диалоговых игр.

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

R4 — Corrective feedback (DPO)

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

A second DPO round on the merged R2 model using 201 first-move preference pairs from two rollout passes (greedy and t=0.7): 107 on-policy pairs from instances where the two passes disagreed in outcome (chosen = the model's own success, rejected = its own failure on the identical instance) and 94 hybrid pairs from instances failed in both passes (chosen = a stronger model's success on that instance — a recast). Same hyperparameters as R2.

Effect: 67.39 -> 67.64, the nominal best of the family, though the margin is within run-to-run variability. The on-policy pairs come from the model's competence frontier (instances of variable outcome).

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
552ba5a

0 моделей