/ 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
5 июл 2026

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

Генерация текстаТекст → текст3 профессии

Дообученная на игровых диалогах языковая модель Qwen3.5-2B для соблюдения протоколов и участия в диалоговых играх.

44скачиваний 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-sft — дообученная командой DAIR модель Qwen3.5-2B для участия в диалоговых играх. Это плотная языковая модель с 1,7 млрд параметров, созданная методом supervised fine-tuning с LoRA на успешных игровых диалогах и примерами общих инструкций; адаптер объединён с базовой моделью. Репозиторий использует Transformers и формат safetensors, модель поддерживает чат, а её контекстное окно составляет 262 144 токена.

Модель ориентирована на соблюдение протокола игры и ведение диалогов в игровых сценариях. В оценке на validation split playpen clemscore вырос с 13,63 до 55,61; авторы связывают прирост главным образом с уменьшением числа прерванных эпизодов, а не с улучшением качества ходов. Также модель обучалась на английских данных и примерно на 12% состояла из общих инструкционных примеров.

Модель унаследовала лицензию Apache-2.0. Результаты приведены для конкретного игрового окружения и зависят от его версии и исправлений; карточка не подтверждает, что достигнутые показатели переносятся на другие игры или задачи.

Сценарии применения

  • ведение диалогов в играх с заданным протоколом
  • генерация ответов и игровых ходов в диалоговых играх
  • соблюдение правил взаимодействия в сценариях playpen
  • исследование дообучения малых языковых моделей на игровых траекториях

Ограничения

В оценке улучшение в основном связано с сокращением числа прерванных игровых эпизодов, а не с качеством ходов. Приведённые результаты получены на конкретном validation split и в замороженной версии окружения, поэтому их переносимость на другие сценарии не установлена.

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

R1 — Imitation (SFT)

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

LoRA supervised fine-tuning of Qwen3.5-2B on success-filtered gameplay transcripts from the public playpen-data corpus (~20.2k successful per-player trajectories), mixed with ~12% general instruction data (SmolTalk) to guard against catastrophic forgetting; 22,626 conversations total, loss on assistant tokens only. Two epochs, LoRA r=32/alpha=64, lr 1e-4 cosine, effective batch 16, bf16; adapter merged.

Effect: raises clemscore 13.63 -> 55.61, almost entirely by eliminating aborted episodes (protocol compliance) rather than by improving move quality.

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
0fc166d

0 моделей