К содержимому
Другое

ActionProof GRPO (llm_judge)

RL-адаптер для проверки реального выполнения задач

2 мин чтенияобновлено

Перед нами исследовательский LoRA-адаптер (небольшая надстройка над базовой моделью), обученный с помощью обучения с подкреплением по алгоритму GRPO для среды ActionProof. В этой среде модель должна не просто отчитаться о выполнении действия, а реально довести его до конца — подтверждения в диалоге могут быть намеренно ложными, поэтому эпизоды оцениваются детерминированным верификатором по состоянию базы данных. Адаптер построен поверх модели CohereLabs/tiny-aya-global с предварительным warm-start чекпоинтом atharvgaur18/actionproof-rft-tiny-v2 и пригодится исследователям RL-методов и разработчикам ИИ-агентов.

Ключевые особенности

  • Обучен методом GRPO (200 шагов по 4 промпта и 8 роллаутов, seed 0) на базе CohereLabs/tiny-aya-global.
  • В качестве функции награды (reward) использована модель-судья Aya Expanse 8B, оценивающая вероятность завершения цели по транскрипту диалога.
  • Решает проблему «ложных подтверждений» (false acknowledgements), когда агент заявляет об успехе без реального изменения состояния в базе данных.
  • Компактный формат PEFT LoRA (ранг r = 16), требующий предварительного слияния базовой модели с warm-start адаптером.

Что можно сделать

  • Воспроизвести эксперименты по обучению LLM-агентов с помощью GRPO и сравнить награду от LLM-судьи с детерминированной проверкой состояния.
  • Протестировать устойчивость модели в агентских пайплайнах, где требуется строгое выполнение действий в базе данных, а не только вежливый ответ пользователю.

Пример

from transformers import AutoModelForCausalLM
from peft import PeftModel
base = AutoModelForCausalLM.from_pretrained("CohereLabs/tiny-aya-global", torch_dtype="bfloat16")
base = PeftModel.from_pretrained(base, "atharvgaur18/actionproof-rft-tiny-v2").merge_and_unload()
model = PeftModel.from_pretrained(base, "atharvgaur18/actionproof-grpo-tiny-v2-llm-judge-s0")
ПодробнееМетрика на тесте: verified-success completion (VSC) составила 0.610 на выборке test_iid (n = 200) при жадной генерации (greedy evaluation).
Параметры обучения: lr 2e-5, β = 0.02, температура T = 1.
Лицензия и ограничения: CC-BY-NC-4.0 (только для исследовательских целей, некоммерческое использование).
Обсудить Telegram 0 18

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.4 GB · готовые файлы7.5 GB
  • FP8 / INT8рекомендуемвеса 3.2 GB4.1 GB
  • 4-bitвеса 1.9 GB2.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 5060 Ti 8GB

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью tiny-aya-global.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # atharvgaur18/actionproof-grpo-tiny-v2-llm-judge-s0
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download CohereLabs/tiny-aya-global --local-dir ~/models/tiny-aya-global
    hf download atharvgaur18/actionproof-grpo-tiny-v2-llm-judge-s0 --local-dir ~/models/actionproof-grpo-tiny-v2-llm-judge-s0
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-global
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

CohereLabs/tiny-aya-global

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. tiny-aya-baseоснова семьи
  2. tiny-aya-global
  3. actionproof-grpo-tiny-v2-llm-judge-s0

Новые посты про версии tiny-aya-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

atharvgaur18/actionproof-grpo-tiny-v2-llm-judge-s0
Автор
atharvgaur18
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии