connectailab-pwcosmos-r1-v6

Это LoRA-адаптер поверх Qwen/Qwen3.5-0.8B от pwcosmos и CONNECT AI LAB. Модель получает состояние, вопрос и список вариантов, а возвращает одну букву выбранного ответа. Обучение шло на данных симулятора CONNECT TYCOON для задачи принятия решений.

💪 Ключевые особенности

• 💪 Сначала PPO-политика учится управлять компанией в симуляторе, затем модель проходит SFT по лучшим вариантам и RL по схеме GRPO с KL к стартовой модели.
• 👉 Ответ — ровно одна буква варианта; вероятность буквы трактуется как вероятность выбора, а максимальная — как уверенность.
• 🐱 Данные: распределение general, 4082 тренировочных, 832 валидационных и 840 тестовых вопросов.
• 💸 На тесте: 80,7% правильных ответов и regret 1,72; в симуляторе — 8,99 млн вон прибыли за месяц.
• 🤫 Это первый эксперимент: выборка небольшая, модель пока ниже PPO-политики-учителя, а карточка прямо называет её исследовательской и учебной.

👀 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'), 'pwcosmos/connectailab-pwcosmos-r1-v6')

Подробнее

Тест: 80,7% правильных, regret 1,72; в симуляторе — 8,99 млн вон прибыли за месяц, снижение потерь по карточным сделкам на 72% (147/177).
Первый эксперимент: небольшая выборка, в среднем за 2 невидимых месяца модель пока ниже PPO-политики-учителя.
Это исследовательская и учебная модель; перед реальными управленческими решениями проверяйте её на записях компании.