score-qwen3.5-9b-playpen
Valhari14·Генерация текста
Дообученная на базе Qwen/Qwen3.5-9B модель исследует самокоррекцию в текстовых диалоговых играх PLAYPEN с помощью обучения с подкреплением.
Подходит для: изучение самокоррекции ответов в диалоговых играх · прохождение однопользовательских игр PLAYPEN · проверка стратегий улучшения ответа после первой попытки
Загрузки на Hugging Face · 13Лайки · 0Контекст · 262 144 токеновВыход на Hugging Face · 6 июл 2026