/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B-OutsideTheBox-SFT
Библиотека
transformers
Опубликована
29 сен 2026

Qwen3.5-9B-OutsideTheBox-RL

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.5-9B для выбора действий в WebShop и исследования избирательной опоры языкового агента на внешние рабочие процессы.

273скачиваний за 30 дней0лайковвеса обновлены30 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

Qwen3.5-9B-OutsideTheBox-RL — текстовая авторегрессионная модель семейства Qwen3.5, разработанная для исследований языковых агентов в среде WebShop. Она дообучена на основе ElvisWang111/Qwen3.5-9B-OutsideTheBox-SFT с помощью многотурового взаимодействия со средой и подкрепления, основанного на итоговом результате выполнения задачи. Модель обучалась выбирать действия при наличии инструкций и полезных внешних рабочих процессов; плохие рабочие процессы в обучающие подсказки не включались.

Модель предназначена для выбора действий в текстовых сценариях WebShop и изучения того, когда агент полагается на внешние подсказки, в том числе потенциально вводящие в заблуждение. Для воспроизведения результатов статьи нужны сама среда WebShop и использованный авторами механизм многотурового взаимодействия. Модель содержит 7,2 млрд параметров, использует архитектуру Qwen3_5ForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 262144 токена. Репозиторий распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Сценарии применения

  • выбор действий для выполнения покупательских задач в WebShop
  • исследование обучения языковых агентов с подкреплением по итоговому результату
  • оценка влияния внешних рабочих процессов на решения агента
  • изучение устойчивости агента к вводящим в заблуждение подсказкам

Ограничения

Модель предназначена для исследовательских экспериментов в WebShop; для воспроизведения результатов необходимы среда WebShop и авторский механизм многотурового взаимодействия. Обучение использовало успешные траектории из раздела TRAIN и не включало плохие рабочие процессы.

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

Qwen3.5-9B-OutsideTheBox-RL

This repository provides the WebShop environment-reward checkpoint developed for the paper Thinking Outside the Box: Can Language Models Rely on External Guidance Selectively?

Thinking Outside the Box

Model Description

The model is initialized from Qwen3.5-9B-OutsideTheBox-SFT and further optimized through multi-turn interaction with the WebShop environment. Training uses task instructions paired with grounded good workflows and directly rewards the final raw WebShop outcome in [0, 1]; it does not train on bad-workflow prompts.

RL Data Selection

Candidate tasks come exclusively from successful trajectories in the WebShop TRAIN split. The SFT checkpoint is sampled eight times per task, and tasks with non-constant raw rewards are retained. This produces 153 selected tasks, deterministically divided into 139 training tasks and a disjoint 14-task probe set; official WebShop test tasks are not used for selection or training.

Training Configuration

SettingValue
Initial policyQwen3.5-9B-OutsideTheBox-SFT
TrainingMulti-turn environment GRPO
Workflow conditionGrounded good workflow
RewardRaw WebShop task outcome [0, 1]
Generations per prompt8
Epochs1
Learning rate1e-6
KL coefficient0
LossDAPO
Maximum tool calls10
Maximum completion length4,096 tokens

Intended Use

This checkpoint is intended for research on WebShop agents, outcome-based reinforcement learning, and selective reliance on external workflows. Reproducing the reported results requires the WebShop environment and the multi-turn interaction harness used in the paper.

Loading the Model

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ElvisWang111/Qwen3.5-9B-OutsideTheBox-RL"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
4a9b3b7

0 моделей