/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Опубликована
23 сен 2026

qwen3-4b-tau2-telecom-grpo

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen3 на 3,7 млрд параметров для многошаговых диалогов телеком-поддержки с вызовом инструментов.

245скачиваний за 30 дней0лайковвеса обновлены23 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

Это исследовательский базовый чекпойнт MANGSEOK123, полученный дообучением Qwen3-4B-Instruct-2507 методом GRPO на телекоммуникационной части бенчмарка τ²-bench. Модель предназначена для диалоговых сценариев поддержки клиентов, где агент должен соблюдать политику обслуживания, вызывать инструменты бэкенда и вести многошаговый разговор с клиентом. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка.

Модель обучалась выдавать один вызов инструмента за ход, используя инструменты `respond` и `done` для общения и завершения сценария. В README приведены результаты на 40 тестовых задачах τ²-bench telecom: avg@3 — 0,308, pass@3 — 0,375, pass^3 — 0,250. Для воспроизведения измеренного поведения необходим описанный в карточке формат промпта с телеком-политикой и схемами инструментов.

Это короткий исследовательский прогон и базовая линия, а не готовая система поддержки: многие задачи с несколькими последовательными действиями модель не решает. Оценка ограничена небольшим тестовым набором и симулятором gpt-4.1-mini; обучение на домене retail не проводилось. Лицензия — Apache-2.0.

Сценарии применения

  • проведение многошагового диалога телеком-поддержки
  • поиск сведений о клиенте через инструменты бэкенда
  • выполнение действий по политике обслуживания оператора
  • диагностика и устранение нескольких проблем связи за один сценарий
  • оценка поведения агента поддержки на τ²-bench telecom

Ограничения

На тестовом наборе из 40 задач результаты ограничены, а обучение было коротким и охватывало только домен telecom; модель не обучалась для retail. Измеренное поведение зависит от специального формата промпта и симулятора gpt-4.1-mini, поэтому качество в других сценариях не установлено.

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-Instruct — GRPO on τ²-bench (telecom)

Qwen3-4B-Instruct-2507 trained with GRPO on the telecom domain of τ²-bench, a benchmark for customer-support agents that must follow a domain policy, call backend tools and talk to a (simulated) customer over many turns.

This is a research baseline, not a tuned system.

Results

Scored on the τ²-bench telecom test split (40 tasks), 3 attempts per task (120 episodes), temperature 0.4, up to 100 agent turns per episode. Reward is τ²-bench's own evaluate_simulation — a task counts as solved only when every check (DB state, action, env assertion, NL assertion) passes.

MetricValue
avg@3 (mean over 120 attempts)0.308
pass@3 (solved at least once)0.375
pass^3 (solved all three times)0.250

Per-task consistency, out of 40 tasks:

SolvedTasks
0 / 325
1 / 33
2 / 32
3 / 310

The distribution is bimodal: 35 of 40 tasks are either never solved or always solved. Sampling more therefore buys little (pass@3 is only 6.7 points above avg@3), and the remaining gains have to come from capability on the 25 unsolved tasks — mostly multi-fault repairs needing 7–10 correct actions.

Single-pass validation during training, for reference: 0.250 after epoch 1, 0.300 after epoch 2.

Training

verl / verl-agent (GiGPO), 6×A100-80GB.

AlgorithmGRPO
Base modelQwen/Qwen3-4B-Instruct-2507
Domainτ²-bench telecom
Train split74 tasks (padded to 84 rows so drop_last discards nothing)
Epochs2 (7 optimizer steps each, 14 total)
Batch12 tasks/step × group 8 = 96 trajectories
Max agent turns100
Learning rate1e-6
KL loss coef0.01 (low_var_kl)
User simulatorgpt-4.1-mini-2025-04-14, temperature 0
Wall clock195 min

Action format

One tool call per turn, Qwen3-native, with respond and done expressed as tools:

<think>reasoning</think>
<tool_call>{"name": "get_customer_by_phone", "arguments": {"phone_number": "555-123-2002"}}</tool_call>
<tool_call>{"name": "respond", "arguments": {"content": "message to the customer"}}</tool_call>
<tool_call>{"name": "done", "arguments": {}}</tool_call>

done matters: τ²-bench only scores simulations that end in AGENT_STOP or USER_STOP. An episode that merely runs out of steps returns reward 0 with every per-check field empty, so it cannot even earn partial credit.

Prompt

The prompt carries a compact telecom policy (~505 tokens, rewritten from τ²-bench's ~5,900-token main_policy.md + tech_support_manual.md), the agent's 13 callable tools as JSON schema, and — separately — the 30 tools that only the customer can run on their phone (check_network_status, toggle_airplane_mode, …).

Splitting those two lists is not cosmetic. τ²-bench's telecom policy describes the device actions in call syntax, and a model that reads it will emit check_network_status() and get "Tool not found". Naming them as customer-operated removed that failure mode entirely.

Reward shaping (training only)

τ²-bench's reward is binary, which leaves GRPO with zero advantage whenever no rollout in a group succeeds — observed as grad_norm collapsing from 2.9 to 0.03 with reward pinned at 0.000. Training therefore added a dense term built from τ²-bench's own per-check detail:

shaped = tau2_reward + 0.4 * partial_score      # telecom

The coefficient stays below 1.0 so a full success always outranks partial progress. All numbers reported above use the unshaped τ²-bench reward.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "MANGSEOK123/qwen3-4b-tau2-telecom-grpo"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="bfloat16", device_map="auto")

The model expects the prompt layout described above (compact policy + tool schemas + customer-device tool list + the action contract). Prompted differently, it will not behave as measured — in particular it is trained to emit exactly one <tool_call> per turn and to call done when finished.

Limitations

  • 40 test tasks means wide error bars: ±4.2 points on avg@3, so a 5-point difference against another checkpoint is not distinguishable from noise.
  • Trained and evaluated against a gpt-4.1-mini user simulator. A different simulator changes the task.
  • telecom only. The retail domain was not trained here.
  • 14 optimizer steps is a short run; this is a baseline, not a converged policy.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
ea003a0

0 моделей