1⃣ LINK-01

lookarooka выпустила LoRA-адаптер для Qwen/Qwen3.5-0.8B: модель читает состояние робота LINK-01 как текст и выбирает, как идти следующие 0.5 секунды. Задача — choose_object: из списка вариантов вернуть одну букву. Учителем стал PPO-«мозг» (brain.json), обученный в веб-тренажёре CONNECT AI WORLD.

➕ Ключевые особенности

• ➖ Вход — текст: цель, направление, датчик расстояния, скорость и предыдущий выбор.
• ➖ Выход — ровно одна буква из предложенных вариантов, без объяснений.
• ➕ Учитель — PPO-мозг для задачи choose_object; курс random, официальный тест 95%.
• 🔜 Пайплайн: обучение с учителем на 427 / 75 / 139 задачах train / valid / test, затем RL с KL-ограничением.
• 🟰 20 прогонов после обучения: 90% успеха, 0% столкновений, среднее время успешных прогонов — 8.4 с.
• *⃣ RL не улучшил итог относительно обучения с учителем: у обоих 99.3% и 90%.

▶ Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

tok = AutoTokenizer.from_pretrained('Qwen/Qwen3.5-0.8B')
model = PeftModel.from_pretrained(
    AutoModelForCausalLM.from_pretrained('Qwen/Qwen3.5-0.8B'),
    'lookarooka/connectailab-rl-novice-v3-link01'
)

Подробнее

Тест: учитель — 100%, до обучения — 72.7%, после LoRA — 99.3%. 20 прогонов: 60% успеха до обучения и 90% после; столкновений — 0%, среднее время успешных прогонов — 8.4 с.
Ходьба оценивалась 2D-приближением по таблице скоростей из веб-MuJoCo: без модели робота и нейросети ходьбы, поэтому возможны отличия от MuJoCo.
Исследовательская/учебная модель для симулятора; перед реальным роботом нужна повторная проверка в конкретном пространстве.