/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
15 сен 2026

Qwen3-4B-BrowseComp-Worker-SFT-0915

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-4B для выполнения роли поискового агента в задачах BrowseComp с вызовом инструментов и внешним координатором.

216скачиваний за 30 дней0лайковвеса обновлены15 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CharlieLLL/Qwen3-4B-BrowseComp-Worker-SFT-0915 — исследовательская рабочая модель, созданная полным дообучением Qwen/Qwen3-4B компанией CharlieLLL. Она предназначена для поиска и проверки сведений в BrowseComp-подобных задачах в составе системы с координатором MiniMax-M2.7, поисковым индексом и средой выполнения. Это плотная авторегрессионная модель семейства Qwen3 на 3,7 млрд параметров с контекстом 40 960 токенов; она принимает текст и выдаёт текст, включая XML-подобные вызовы инструментов поиска, открытия страниц и завершения задачи. Обучение SFT использовало данные BrowseComp Worker и gate; обучение с подкреплением не проводилось.

В описанном тестировании система с этой моделью решила 108 из 150 вопросов (72%), против 83 из 150 у исходной Qwen3-4B. Это результат всей системы с координатором и поиском, а не отдельная оценка модели; приведён один случайный прогон. Для работы требуются соответствующие промпты, поисковая среда и координатор. README также отмечает, что отсутствие идентификаторов исходных вопросов в части обучающих данных не позволяет независимо доказать отсутствие загрязнения тестового набора. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск ответов на сложные вопросы в интернете через инструменты
  • открытие и анализ страниц в многошаговом поисковом сценарии
  • работа исполнителем в системе агентов с внешним координатором
  • оценка поведения поискового агента на задачах BrowseComp-подобного типа

Ограничения

Показатель 72% относится к системе с координатором MiniMax-M2.7 и поисковым механизмом, а не к самостоятельной модели, и основан на одном стохастическом прогоне. README не позволяет независимо подтвердить отсутствие загрязнения тестовых данных для части обучающей выборки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-4B BrowseComp Worker SFT (0915)

Final full-parameter SFT worker checkpoint iter_1366, trained on four NVIDIA GB300 GPUs using Miles. No RL has been applied. Intended as a research worker under a frozen, self-hosted MiniMax-M2.7 coordinator.

Code and reproduction: Miles, paper/browsecomp-4b-training-nvidia-b300-0915.

Evaluation

One full round on the same frozen 150-question BrowseComp-Plus/FoldAgent test split, using MiniMax-M2.7 coordinator, hybrid BM25+dense RRF retrieval and Gemini 3.6 Flash grading. Runtime STOP gate is off.

WorkerEasyMediumHardTotal
Original Qwen3-4B43/5029/5011/5083/150 (55.33%)
This SFT model49/5041/5018/50108/150 (72.00%)

Paired improvement: 31 questions improved, 6 regressed, +16.67 percentage points. SFT accuracy Wilson 95% interval: 64.33–78.57%. These are system scores with the coordinator and retrieval, not standalone model scores. This is a single stochastic round, not pass@k. Budget-exhausted episodes remain in the denominator.

Training

  • Initialization: Qwen/Qwen3-4B revision 1cfa9a7208912126459214e8b04321603b3df60c (pretrained/instruction model, not random initialization).
  • Core: Shangy/browsecomp-worker-sft revision f1f0fb3053ef0cd15831a58e7943901340666630, data/core.jsonl, 541 trajectories repeated 3 times.
  • Gate: Shangy/browsecomp-worker-gate-sft-v1 revision eb62ff5f74592b3409488fb52281d94ab3c5f22d, gating/train.jsonl, 18,698 source rows (already includes hard-negative repeats).
  • Balance by exact Miles Qwen3 supervised token masks: 1,623 core rows + 42,137 sampled gate rows = 43,760 rows, 3,952,827 worker vs 3,952,818 gate supervised tokens. Seed 42.
  • No 904-row worker replay, no mix.jsonl, no gate validation/holdout included.
  • Adam, LR 1e-5, cosine to 1e-6, warmup 10%, weight decay 0.1, beta=(0.9,0.95), batch 32, TP4, context 40,960, full recomputation, one constructed-mixture epoch.
  • Miles uses floor division for epoch length: 1,367 rollout slots; release-checkpoint initialization starts at rollout 1, ending at 1,366. See run metadata for actual updates.
  • Training template: miles/utils/chat_template_utils/templates/qwen3_fixed.jinja; assistant-only loss.

Serving

Use the same evaluation keep-thinking template as the raw baseline: examples/browsecomp/gb300_main_eval_0907/templates/qwen3_fixed_keepthink.jinja in the linked repository. SGLang: TP1 per worker, context 40,960; worker episode budget 24,576 tokens, up to 40 turns, max 4,096 generated tokens per turn, temperature 1, top-p .95. The model emits the BrowseComp XML-style search, open_page, and finish calls; use the repository's worker prompts and environment.

This repository contains the exact serving variant used for the SFT evaluation: 128 vocabulary-padding rows removed from the exported embedding, all original vocabulary rows retained byte-for-byte. Tokenizer files are restored from the pinned original Qwen3-4B; export reserialization changed defaults but preserved vocabulary, merges and added tokens. The original training export is retained in the experiment workspace.

Limitations

Core exports lack parent-question IDs, so question-level test exclusion cannot be independently proven from that file. Gate question hashes were checked: all originate from the 680-question training split, with disjoint train/validation/holdout and no overlap with the 150 test questions. This checkpoint should not be described as a proven contamination-free benchmark model.

The documented historical 8B SFT mixture was adapted to 4B with exact current loss-mask token balancing; it is not a byte-identical reproduction of the historical mixer. Model weight-content hashes are published in SHA256SUMS.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
1261b20

0 моделей