К содержимому
Языковые модели

Qwen2.5-1.5B-Instruct · Sokoban · GRPO (step 300)

компактная LLM учится решать головоломки

2 мин чтенияобновлено

Это дообученная версия языковой модели Qwen2.5-1.5B-Instruct (1,78 млрд параметров) от автора Elrond1701, натренированная проходить текстовую версию игры Sokoban (нужно расставлять ящики по целевым клеткам на поле 6×6). Обучение проводилось методом многошагового RL (обучения с подкреплением) с алгоритмом GRPO на протяжении 300 шагов. В отличие от базовой модели, которая почти не справляется с задачей, этот чекпоинт научился планировать последовательность ходов в строгом машинном формате. Модель пригодится исследователям и разработчикам ИИ-агентов как лёгкий эталон для экспериментов с RL-алгоритмами в пошаговых средах.

Ключевые особенности

  • Продолженное RL-обучение: чекпоинт продолжает 150-шаговую версию и доведён до 300 шагов с 8 генерациями (rollouts) на каждую головоломку.
  • Строгий формат вывода: модель генерирует по 1–2 действия за ход (Up, Down, Left, Right через ||) внутри тега без лишнего текста.
  • Работа с координатами и картой: на вход подаётся символьная сетка поля 6×6 с двумя ящиками, координаты объектов и история двух последних ходов.
  • Стек обучения: тренировка выполнена во фреймворках verl 0.6.1 и verl-agent с использованием vLLM, веса сохранены в формате bfloat16.

Что можно сделать

  • Сравнить RL-алгоритмы: использовать модель как бейзлайн для сопоставления с родственными чекпоинтами автора на базе GiGPO, Tree-GRPO и RegPO.
  • Встроить в тестового агента: подключить к среде gym-sokoban для проверки многошагового планирования без цепочек рассуждений (режим no-thinking).
  • Протестировать на новых полях: оценить, как модель переносит навык на комнаты 6×6 с другой глубиной генерации головоломок.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Elrond1701/qwen2.5-1.5b-sokoban-d8-grpo-step300"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="bfloat16", device_map="auto")

prompt = open("prompt.txt").read()
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=16, do_sample=False)
print(tok.decode(out[0][ids["input_ids"].shape[1]:], skip_special_tokens=True))
ПодробнееМетрика val/regret_sokoban/success_rate (на 512 фиксированных задачах, temperature 0.4): выросла с 6,2% у необученной базы и 15,3% на 150-м шаге до 39,6% на 300-м шаге (пик — 41,9% на 260-м шаге).
Важное уточнение автора: метрика отражает долю строк валидации с положительным возвратом (взвешенную по ходам), а не чистый процент побед в играх; отдельный 3-seed тест не проводился.
Ограничения среды: максимум 10 ходов по 2 действия (всего 20 движений), штраф −0,5 за нарушение формата или лишний текст после .
Обсудить Telegram 0 23

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.3 GB · готовые файлы4.1 GB
  • FP8 / INT8рекомендуемвеса 1.7 GB2.5 GB
  • 4-bitвеса 0.9 GB1.7 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 2060

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

Для текстовых моделей — с контекстом 8192 токенов.

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

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # Elrond1701/qwen2.5-1.5b-sokoban-d8-grpo-step300 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Elrond1701/qwen2.5-1.5b-sokoban-d8-grpo-step300 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к qwen2.5-1.5b-sokoban-d8-grpo-step300
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen2.5-1.5B-Instruct
  1. Qwen2.5-1.5Bоснова семьи
  2. Qwen2.5-1.5B-Instruct
  3. qwen2.5-1.5b-sokoban-d8-grpo-step300

Новые посты про версии Qwen2.5-1.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

Elrond1701/qwen2.5-1.5b-sokoban-d8-grpo-step300
Автор
Elrond1701
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

STELLA-RSI-27b

STELLA-RSI-27b