Дообученная модель Qwen3 для создания игровых сред и решения игровых задач в цикле самообучения SPADE.

Подходит для: создание исполняемых игровых сред · решение задач в созданных игровых средах · генерация игровых заданий с адаптивной сложностью

Дообученная SPADE модель Qwen3, которая создаёт игровые среды и решает игры с помощью рассуждений.

Подходит для: генерация исполняемых игровых сред · создание игр для обучения или проверки игрового агента · решение сгенерированных текстовых игр

Дообученная MoE-модель Qwen для создания игровых сред и решения текстовых игр в игровом режиме SPADE.

Подходит для: создание исполняемых описаний игровых сред · генерация игровых задач с адаптивной сложностью · решение текстовых игр и головоломок

Предварительная дообученная модель Spark-X2.5-4B для выбора и вызова инструментов, ведения диалога и восстановления после ошибок в агентной среде Osaurus.

Подходит для: выбор между ответом пользователю и вызовом инструмента · выбор подходящего инструмента в Osaurus · восстановление после ошибок при выполнении инструментов

Экспорт плотной модели Qwen2 на 7,1 млрд параметров с RL-политикой для генерации текста в задачах WebShop.

Подходит для: генерация действий и ответов агента в среде WebShop · обучение и оценка языковой политики с подкреплением · создание чат-агента с интерфейсом вызова инструментов

Decision Transformer, обученный на траекториях Gym HalfCheetah medium-replay для управления агентом в задаче непрерывного контроля.

Подходит для: управление агентом в среде HalfCheetah · предсказание действий по истории состояний и действий · эксперименты с офлайн-обучением с подкреплением

Дообученная Qwen3-4B для выбора действий и решения задач в текстовых сценариях игры «Сапёр» с обучением по проверяемым процессным наградам.

Подходит для: выбор следующего хода в текстовой игре «Сапёр» · эксперименты с агентным рассуждением в игровой среде · оценка обучения языковых моделей по проверяемым наградам

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

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

Обученный агент DQN на Stable-Baselines3 для игры в Atari Space Invaders в среде SpaceInvadersNoFrameskip-v4.

Подходит для: игра в Atari Space Invaders с помощью обученного агента · эксперименты с DQN в игровой среде Atari · изучение применения Stable-Baselines3 для обучения с подкреплением