/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
11 июл 2026

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

Генерация текстаТекст → текст3 профессии

Дообученная на диалоговых играх модель Qwen3.5-2B, опубликованная с конфигурацией для загрузки через vLLM.

48скачиваний 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

Это вариант конфигурации модели lm-playschool-qwen3.5-2b-sft-dpo, подготовленный командой DAIR для загрузки объединённых весов через vLLM. Модель представляет собой дообученную версию Qwen/Qwen3.5-2B с плотной архитектурой Qwen3_5ForCausalLM; по карточке, она входит в серию экспериментов по постобучению для диалоговых игр. Репозиторий содержит веса Safetensors и конфигурацию, совместимую с загрузчиком vLLM.

Модель предназначена для генерации диалоговых ответов и участия в диалоговых играх. README приводит результаты на валидационной части Playpen, но эти оценки относятся к исходному чекпойнту R2 и конкретной зафиксированной среде эксперимента. Базовая модель описана как мультимодальная, однако этот репозиторий представлен как текстовая генеративная модель; карточка не подтверждает отдельные сценарии обработки изображений для данной конфигурации. Лицензия — Apache-2.0.

Сценарии применения

  • генерация реплик в диалоговых играх
  • участие в текстовых игровых диалогах
  • эксперименты с постобучением небольших языковых моделей

Ограничения

Оценки из README получены на валидационной выборке в конкретной зафиксированной среде и не гарантируют аналогичных результатов в других условиях. Эта публикация нужна для vLLM; для использования с Transformers README рекомендует исходный репозиторий R2.

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 (config variant for vLLM)

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

Not a separate model. These are the same merged weights as lm-playschool-qwen3.5-2b-sft-dpo (R2), republished with a composite (vision-language) config.json so that vLLM will load them. At the time of our experiments, vLLM's Qwen3.5 integration expected the composite config while transformers writes a text-only one; neither could read the other's schema. Use this repo only if you need vLLM; use the R2 repo for transformers. Scores are those of R2.

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
1cec7ed

0 моделей