/ 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-sft-dpo

Генерация текстаТекст → текст3 профессии

Экспериментальная DPO-дообученная Qwen3.5-2B для выбора качественных ходов в диалоговых играх.

47скачиваний 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 R2 — Outcome contrast — это экспериментальный диалоговый чекпойнт команды DAIR, созданный для LM Playschool Challenge 2026. Модель дообучена методом DPO на базе Qwen/Qwen3.5-2B с помощью LoRA; обучение использовало 3 418 пар предпочтений первых ходов из игровых эпизодов. Чекпойнт был заявкой команды на соревнование.

Модель предназначена для выбора более качественных ходов в диалоговых играх. На валидационном разделении playpen авторы сообщают рост clemscore с 55,61 до 67,39 относительно предшествующей версии R1; процент сыгранных игр при этом оставался примерно прежним. Архитектура — плотная авторегрессионная Qwen3.5, около 1,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка. Веса опубликованы в формате safetensors.

Результаты измерены в конкретной зафиксированной игровой среде и зависят от её версии и исправлений; они не подтверждают качество на произвольных диалоговых задачах. Модель выпущена по лицензии Apache-2.0.

Сценарии применения

  • выбор первого хода в диалоговой игре
  • генерация ответов в игровых сценариях
  • сравнение предпочтительных и неудачных ходов
  • исследование влияния DPO на игровое поведение малых языковых моделей

Ограничения

Опубликованные оценки относятся к валидационному разделению playpen и зависят от зафиксированной версии среды и её исправлений. Качество на других игровых наборах и общих диалоговых задачах в карточке не подтверждено.

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

R2 — Outcome contrast (DPO)

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

DPO on top of the merged R1 model, using 3,418 first-move preference pairs built from playpen-data: for a fixed (game, experiment, task id, role), chosen is the first move of a successful episode and rejected the first move of an aborted one (falling back to lost). Abort-prone games oversampled 4x. One epoch, LoRA r=16/alpha=32, lr 5e-6, beta=0.1; frozen R1 as reference.

Effect: 55.61 -> 67.39. Unlike R1, the gain is in move quality (%-played stays flat), and it exceeds the untuned Qwen3.5-27B reference on the organisers' leaderboard. This checkpoint was our challenge submission.

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
3f21649

0 моделей