Промежуточная версия Qwen2.5-1.5B-Instruct, дообученная методом GRPO для выполнения текстовых задач агента в ALFWorld.

Подходит для: выполнение текстовых заданий в ALFWorld · выбор следующего действия агента по описанию игровой среды · проверка обучения агента с подкреплением на задачах ALFWorld

Промежуточная версия Qwen2.5-1.5B-Instruct, дообученная PPO для выполнения текстовых задач в ALFWorld.

Подходит для: генерация действий агента для задач ALFWorld · исследование обучения языковых агентов методом PPO · возобновление PPO-обучения с шага 30

Чекпойнт Qwen2.5-1.5B-Instruct, дообученный GRPO для генерации текста и выполнения задач в ALFWorld.

Подходит для: генерация ответов агента для задач ALFWorld · выбор последовательности действий в текстовой среде · исследование обучения языковых агентов методом GRPO

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct на 10-м шаге RL-обучения StraTA для генерации стратегий и действий в ALFWorld.

Подходит для: Эксперименты с агентами, выполняющими задачи ALFWorld · Воспроизведение обучения StraTA с подкреплением · Возобновление RL-обучения с сохранённого состояния шага 10

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный PPO для выбора действий в задачах ALFWorld.

Подходит для: выбор действий в текстовых задачах ALFWorld · эксперименты с PPO для языковых агентных моделей · возобновление PPO-обучения с шага оптимизатора 20