---
base_model: Qwen/Qwen3.5-9B
library_name: peft
datasets: [lupele/StatePlay-Reward-2280]
tags: [stateplay, reward-model, multimodal, lora]
---
# StatePlay 正式 Qwen3.5-9B LoRA Reward Model selected

仓库根目录对应正式 `study_v1/reward_model/versions/a-002280/selected/` 的完整内容。
版本 `28befdbd2782031fe8d67975`，验证集选择 epoch 2 / step 132，`smoke=false`。
adapter 权重及 processor 文件与原始 selected 逐字节一致。

这是 LoRA adapter，需要完整多模态 **Qwen/Qwen3.5-9B** 基座，固定 revision
`c202236235762e1c871ad0ccb60c8ee5ba337b9a`。本仓库不重复上传 Qwen 基座。
视觉和语言分支均须加载，模型、processor、tokenizer 从本地加载，`local_files_only=True`。
项目默认目录为 `base_model/Qwen/Qwen3.5-9B`。
显式加载本地完整基座后使用 `PeftModel.from_pretrained(base, selected / 'adapter')`；
配置保留来源机器路径，迁移时映射到本地项目。不可作为独立基座或仅文本模型使用。

采用 `mechanics-reward-v2-24x832-124images` 协议：一次输入完整四候选组，按项目
prompt/collator 提供参考、动作和上下文，输出四个分数。协议及 prompt 哈希见 manifest。

`training_state.pt` 用于可选续训；冻结评分只需要 adapter、processor、manifest 等身份文件。
training_state 和 manifest 中 API/本地评分地址已替换为 `.invalid` 占位地址，并同步更新配置和文件哈希。
所有参数、优化器、随机状态保持一致；模型版本与 adapter SHA256 不变。
旧转移包固定的原 manifest 哈希需要在包复制件中更新公开元数据映射，不能删除身份校验。

自动数值质量门槛已通过；人工候选审核、来源/泄漏与 shortcut 审核仍待完成。
此发布不表示人工审核通过，也不授权绕过正式 Stage C 的质量门槛。


代码：[lupele/stateplay-test](https://github.com/lupele/stateplay-test) 的 `rl_posttrain/`。
数据：[StatePlay-Reward-2280](https://huggingface.co/datasets/lupele/StatePlay-Reward-2280)。
配套模型：[SFT](https://huggingface.co/lupele/ourmodel)、[transition tokenizer](https://huggingface.co/lupele/transition_tokenizer.pt)、[Stage A 更新](https://huggingface.co/lupele/rl_model)、[Reward Model](https://huggingface.co/lupele/rewardmodel)。

身份与发布处理见 `PUBLICATION.json`，公开文件 SHA256 见 `SHA256SUMS`。
原始本地文件保持原位且未修改。仓库不包含 API 凭据或真实服务地址。