К содержимому
Компьютерное зрение

Script2Play-4B

модель для управления играми по кадрам с экрана

1 мин чтения

Script2Play-4B — это vision-language-action (мультимодальная языковая модель для действий) политика на базе Qwen3.5-4B-Base, обученная играть в видеоигры непосредственно по визуальному потоку с экрана. На вход модель получает один кадр и текстовую задачу, а на выходе выдает последовательность действий клавиатуры и мыши на следующие 200 миллисекунд. Модель обучена методом имитации поведения (behavior cloning) на демонстрациях в Minecraft и Roblox. Она пригодится исследователям и разработчикам интерактивных агентов и систем автономного прохождения игр.

Ключевые особенности

  • Создана на базе архитектуры Qwen3.5-4B-Base
  • Обучена на 150.3 часах верифицированных демонстраций (Minecraft и Roblox)
  • Предназначена для генерации низкоуровневых команд мыши и клавиатуры
  • Работает через стандартный OpenAI-совместимый эндпоинт в vLLM

Что можно сделать

  • Запустить модель в качестве игрового агента для Minecraft или Roblox через vLLM
  • Интегрировать модель в кастомные тестовые среды для проверки автономного прохождения
  • Исследовать возможности vision-language-action моделей в задачах управления в реальном времени

Пример

Запуск сервера модели с помощью vLLM:

vllm serve PATH_TO_THIS_REPO --served-model-name script2play --trust-remote-code \
  --max-model-len 8192 --max-num-batched-tokens 8192 --limit-mm-per-prompt '{"image":1,"video":0}' \
  --attention-backend FLASHINFER --mm-encoder-attn-backend TORCH_SDPA
ПодробнееБазовая модель: Qwen/Qwen3.5-4B-Base (около 4.54 млрд параметров)
Обучение: 26.9 ч Minecraft и 123.4 ч Roblox (без использования человеческих данных и RL)
Интерфейс: совместимый с OpenAI эндпоинт через vLLM 0.26
Формат вывода: смещение мыши и нажатия клавиш за 200 мс
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы9.8 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.2 GB
  • 4-bitвеса 2.4 GB3.1 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 3080

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

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.

    # GameIntelligenceLab/Script2Play-4B
    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 GameIntelligenceLab/Script2Play-4B --local-dir ~/models/Script2Play-4B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Script2Play-4B
  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

Дообучение модели

Qwen/Qwen3.5-4B-Base

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

GameIntelligenceLab/Script2Play-4B
Автор
GameIntelligenceLab
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

AGP-Qwen3.6-35B-A3B

AGP-Qwen3.6-35B-A3B