К содержимому
Другое

actionproof-proc-a12-state-reward-s1

LoRA-адаптер для проверки действий агента в базе данных

2 мин чтения

Это исследовательский LoRA-адаптер (небольшая надстройка над базовой моделью), созданный в рамках эксперимента ActionProof для обучения ИИ-агентов в симуляторе закупок ProcureSim. В этой среде ответ системы на запись данных выглядит одинаково, даже если операция выполнилась частично, продублировалась или не прошла вовсе, поэтому агенту приходится проверять реальное состояние базы. Адаптер обучен поверх CohereLabs/tiny-aya-global с предварительным прогревом (warm start) от автора atharvgaur18 методом GRPO (обучение с подкреплением с групповой оценкой ответов) с бинарной наградой только за подтверждённое состояние базы. Пригодится исследователям ИИ-агентов, которые изучают надёжность вызова инструментов и защиту от «фантомных» операций.

Ключевые особенности

  • Бинарная награда по состоянию базы: при обучении через GRPO модель получает 1 только в том случае, если каждый запрошенный шаг подтверждён верификатором в самой базе данных.
  • Защита от ложных подтверждений: адаптер тренировался в условиях, где сообщение об успешной записи идентично при полном, частичном, дублированном или нулевом выполнении.
  • Двухэтапная сборка весов: свежая LoRA (r = 16) накладывается на базу CohereLabs/tiny-aya-global с предварительно вмердженным адаптером actionproof-proc-warm-start.
  • Воспроизводимость эксперимента: параметры запуска зафиксированы в run_config.json, а все цифры привязаны к файлам отчётов и пререгистрации в репозитории кода.

Что можно сделать

  • Воспроизвести эксперимент ActionProof: запустить оценку агента в среде ProcureSim из репозитория автора и сравнить поведение при ненадёжных ответах API.
  • Изучить паттерны самопроверки агентов: проанализировать, как модель выполняет повторное чтение состояния (read-back) после операций записи в симулированной базе данных.
  • Сравнить разные сиды и награды: протестировать этот вариант (seed 1) вместе с соседними чекпоинтами серии s0–s4 для оценки стабильности обучения.

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-proc-warm-start").merge_and_unload()
model = PeftModel.from_pretrained(base, "atharvgaur18/actionproof-proc-a12-state-reward-s1")
ПодробнееМетрики на proc_conf (n = 300, greedy): verified safe completion — 0.793, phantom read-back — 253/253.
Обучение: TRL 1.7.1 GRPO через AgentTune, 200 шагов, 4 промпта × 8 роллаутов, lr 2e-5, KL 0.02, T = 1, 16 ходов, LoRA r = 16.
Ограничения: исследовательский артефакт исключительно для симуляции закупок ProcureSim, не предназначен для реальных платежей.
Обсудить Telegram 0

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-proc-a12-state-reward-s1
    # ===== 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-proc-a12-state-reward-s1 --local-dir ~/models/actionproof-proc-a12-state-reward-s1
    # 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-proc-a12-state-reward-s1

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-proc-a12-state-reward-s1
Автор
atharvgaur18
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии