Дообученная DQN-Labs модель Qwen3 для генерации текста и диалогового общения на английском языке.
Подходит для: генерация английского текста · ведение текстового диалога · ответы на вопросы на английском языке
Производная модели DQN-Labs/qwen306b-rl-exp1. Дообученная DQN-Labs модель Qwen3 для генерации текста и диалогового общения на английском языке.
Подходит для: генерация английского текста · ведение текстового диалога · ответы на вопросы на английском языке
Обученный DQN-агент для выбора действий и игры в SeaquestNoFrameskip-v4.
Подходит для: игра в SeaquestNoFrameskip-v4 · эксперименты с агентами глубокого обучения с подкреплением · оценка DQN-агента в среде Atari
Производная модели DQN-Labs/qwen306b-rl-exp1. Дообученная DQN-Labs модель Qwen3 для генерации текста и диалогового общения на английском языке.
Подходит для: генерация английского текста · ведение текстового диалога · ответы на вопросы на английском языке
Обученный агент DQN для выбора действий в симуляции MountainCar-v0 и экспериментов с обучением с подкреплением.
Подходит для: демонстрация управления автомобилем в среде MountainCar-v0 · запуск обученного агента через Stable-Baselines3 RL Zoo · использование чекпойнта в экспериментах по обучению с подкреплением
Обученный агент DQN для выбора действий в игровой среде BeamRiderNoFrameskip-v4.
Подходит для: Запуск агента DQN в среде BeamRiderNoFrameskip-v4 · Демонстрация игры агента в BeamRider · Эксперименты с обучением с подкреплением на игровой среде Atari
Экспериментальная дообученная модель Qwen для исследования reward hacking и уязвимостей агентных систем в задачах Terminal Wrench.
Подходит для: изучение способов обхода проверок вознаграждения агентами · оценка устойчивости агентных систем к reward hacking · исследование защитных методов inoculation prompting
Обученный агент DQN играет в BreakoutNoFrameskip-v4 и служит примером применения обучения с подкреплением в Atari-среде.
Подходит для: Запуск агента для игры в Breakout · Эксперименты с DQN в среде Atari · Изучение готовых агентов Stable-Baselines3
Экспериментальная дистиллированная версия Qwen для выполнения задач терминального агента и изучения поведения reward hacking.
Подходит для: выполнение задач программного агента в терминале · оценка склонности агента к обходу проверок · исследование влияния on-policy-дистилляции на поведение LLM
Предварительная модель MindLab Research на базе GLM-5.1 для персонального агентного планирования, вызова инструментов, программирования и генерации интерфейсов.
Подходит для: планирование личных дел с учётом меняющихся условий · поиск мест и координация маршрутов через инструменты · работа с календарём и задачами через агентные API
Обученный агент DQN для игры в Space Invaders в среде SpaceInvadersNoFrameskip-v4.
Подходит для: управление агентом в Atari Space Invaders · демонстрация обучения с подкреплением на игровой среде · оценка поведения DQN-агента в SpaceInvadersNoFrameskip-v4
Экспериментальная дообученная методом DPO модель Qwen3.5-2B для повышения успешности в диалоговых играх.
Подходит для: прохождение диалоговых игр · тестирование методов DPO для игровых диалогов · исследование обучения по предпочтениям ответов
Обученный агент DQN для выбора действий в среде Space Invaders посредством обучения с подкреплением.
Подходит для: Управление игровым агентом в Space Invaders · Запуск обученной политики в SpaceInvadersNoFrameskip-v4 · Изучение применения DQN к игровым средам
Дообученная DPO версия Qwen2.5-1.5B-Instruct для более точного решения, когда вызывать инструмент, отвечать напрямую или отказываться.
Подходит для: определение, требует ли запрос вызова инструмента · снижение неподдержанных вызовов функций в агенте · выбор между вызовом инструмента и прямым ответом
Обученный агент DQN на Stable-Baselines3 для выбора действий в игровом окружении SpaceInvadersNoFrameskip-v4.
Подходит для: игра в Space Invaders с помощью обученного агента · тестирование агента DQN в среде Atari · эксперименты с глубоким обучением с подкреплением
Чекпойнт MOUSE на базе Qwen3, который обрабатывает последовательности наблюдений, действий и наград для задач обучения с подкреплением.
Подходит для: выбор дискретного действия агента по последовательности шагов · инференс политики в среде обучения с подкреплением · обработка траекторий с дискретными наблюдениями и наградами
Дообученная vanilla PPO модель Qwen3-4B для решения символических задач с последовательным вызовом инструментов.
Подходит для: Решение символических задач с помощью вызова инструментов · Настройка и оценка PPO-агентов · Сравнение PPO и GRPO на задачах с инструментами
Модель мира на PyTorch с динамической когнитивной архитектурой для экспериментов и задач обучения с подкреплением.
Подходит для: моделирование среды для обучения с подкреплением · эксперименты с динамической архитектурой мира · исследование постоянных состояний памяти в RL
Обученный агент DQN для управления персонажем в среде SpaceInvadersNoFrameskip-v4.
Подходит для: игра в Space Invaders через среду Atari · демонстрация обучения с подкреплением на игровой задаче · эксперименты с алгоритмом DQN в Stable-Baselines3
Чекпойнт MOUSE на базе Qwen3 оценивает действия по последовательностям наблюдений и вознаграждений в задачах обучения с подкреплением.
Подходит для: оценка ценности действий агента по наблюдениям и наградам · обучение агента на последовательностях шагов среды · инференс оценки действий через MouseCore
Модель MOUSE на базе Qwen3 оценивает действия по последовательностям дискретных наблюдений и наград для сценариев обучения с подкреплением.
Подходит для: оценка ценности дискретных действий в последовательности шагов · ранжирование вариантов действия по наблюдениям и наградам · использование в экспериментальном пайплайне обучения с подкреплением
Промежуточный чекпойнт StarVLA/QwenPI-v3 для предобучения роботизированного управления на данных DROID LA.
Подходит для: предобучение политики управления роботом-манипулятором · адаптация политики к пространству действий робота с 7 степенями свободы · дообучение vision-language-action модели на данных DROID
Предварительно обученный агент DQN играет в Atari Space Invaders в среде SpaceInvadersNoFrameskip-v4.
Подходит для: запуск агента для игры в Space Invaders · демонстрация обучения с подкреплением на среде Atari · оценка поведения DQN-агента в SpaceInvadersNoFrameskip-v4
Обученная политика Dueling Double DQN для кооперативного поиска цели группой дронов в симуляции с частичной наблюдаемостью и случайными отказами.
Подходит для: поиск скрытой цели группой дронов на сеточной карте · проверка устойчивости кооперативного поиска к отказам отдельных дронов · оценка политики при изменении размера команды, видимости и дальности связи