mzio/aprm-sft_thinkact-Eaprm_tw_tr_medium_hi-Gaprm_qwen3_ap-S42-R0-ap1-train_all-b030

--- {} --- # Act-PRM Rollout Dataset ## Run Metadata - **run_name**: `act-prm-v2-ia=0-rr=0-ec=act_prm_tw_treasure_medium_hi-gc=aprm_qwen3_ap-tc=aprm_for_sft100-rbc=default-mc=hf_qwen3_4b_inst_2507-lc=r8_a16_qkvo-nf=1-ao=1-ho=1-gs=8-bs=8-lr=4e_05-ns=4-s=42-r=0` - **run_cmd**: `main_pytorch.py --env_config act_prm/tw_treasure_medium_hi --model_config hf_qwen3_4b_inst_2507 --lora_config r8_a16_qkvo --replay_buffer_config default --log_path ./logs --no_fa2 --generator_config aprm_qwen3_ap --trainer_config aprm_for_sft100 --actions_only --hide_observations --batch_size 8 --group_size 8 --learning_rate 4e-5 --num_substeps 4 --seed 42 --replicate 0 --verbose` - **batch_idx**: `30` - **split**: `train_all` - **trajectory_key**: `think_act_policy` - **num_trajectories**: `244` - **num_episodes**: `244` - **group_size**: `8` - **batch_size**: `8`# 动作偏好奖励模型（Act-PRM）推演数据集 ## 运行元数据 - **运行名称**: `act-prm-v2-ia=0-rr=0-ec=act_prm_tw_treasure_medium_hi-gc=aprm_qwen3_ap-tc=aprm_for_sft100-rbc=default-mc=hf_qwen3_4b_inst_2507-lc=r8_a16_qkvo-nf=1-ao=1-ho=1-gs=8-bs=8-lr=4e_05-ns=4-s=42-r=0` - **运行命令**: `main_pytorch.py --env_config act_prm/tw_treasure_medium_hi --model_config hf_qwen3_4b_inst_2507 --lora_config r8_a16_qkvo --replay_buffer_config default --log_path ./logs --no_fa2 --generator_config aprm_qwen3_ap --trainer_config aprm_for_sft100 --actions_only --hide_observations --batch_size 8 --group_size 8 --learning_rate 4e-5 --num_substeps 4 --seed 42 --replicate 0 --verbose` - **批次索引**: `30` - **数据集划分**: `train_all` - **轨迹键**: `think_act_policy` - **轨迹总数**: `244` - **回合总数**: `244` - **组大小**: `8` - **批次大小**: `8`