/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Опубликована
2 мар 2026

openhands-critic-4b-v1.0

Генерация текстаТекст → текст3 профессии

Модель OpenHands на базе Qwen3-4B классифицирует траектории ИИ-агентов по поведенческим критериям и вероятности успешного выполнения задачи.

160скачиваний за 30 дней8лайковвеса обновлены5 мар 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

OpenHands Critic 4B v1.0 — языковая модель на базе Qwen/Qwen3-4B, разработанная OpenHands для оценки траекторий работы ИИ-агентов. Модель дообучена на всех параметрах базовой модели с функцией потерь BCE и предсказывает 26 меток: 25 признаков поведенческой рубрики и одну оценку успешности задачи.

Модель предназначена для классификации результатов работы агента в инструментах OpenHands Software Agent SDK и OpenHands CLI. Она принимает текстовые данные о траектории агента и выдаёт оценки по нескольким меткам; для запуска автор рекомендует OpenHands SDK. Контекст при обучении составлял 64K токенов, заявлена поддержка до 256K. Репозиторий содержит веса Safetensors, число параметров — около 3,7 млрд. Лицензия — MIT.

Модель специализируется на оценке поведения и успешности ИИ-агентов; её выход — классификационные оценки, а не обычный диалоговый ответ. Карточка не раскрывает состав 25 рубричных признаков, поэтому интерпретация отдельных оценок зависит от определений и подсказок проекта OpenHands.

Сценарии применения

  • Оценка успешности выполнения задачи ИИ-агентом
  • Многометочная оценка поведения агента по рубрике
  • Анализ траекторий работы агента в OpenHands SDK
  • Классификация результатов работы агента в OpenHands CLI

Ограничения

Для отдельных оценок нужны определения 25 рубричных признаков проекта OpenHands; карточка не перечисляет их. Обучение проводилось на контексте 64K токенов, хотя заявлена поддержка до 256K.

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

A 4B parameter critic model for evaluating AI agent trajectories, trained to predict behavioral rubrics and task success.

Model Details

  • Base Model: Qwen/Qwen3-4B
  • Training: Full-parameter fine-tuning with BCE loss
  • Context Length: Trained on 64K, supports up to 256K tokens
  • Task: Multi-label classification (26 labels: 25 rubric features + 1 success prediction)

Serving (vLLM Classification API)

We serve this model using vLLM’s classification task:

vllm serve <MODEL_PATH> \
  --host 0.0.0.0 \
  --port 8000 \
  --api-key <API_KEY> \
  --served-model-name <MODEL_NAME> \
  --task classify \
  --max-model-len 262144 \
  --dtype bfloat16 \
  --trust-remote-code \
  --enable-prefix-caching

Usage

We recommend using the OpenHands SDK for inference instead of calling the vLLM classification endpoint directly.

Follow the SDK guide: https://docs.openhands.dev/sdk/guides/critic

In particular, reuse the SDK client implementation here (it already handles formatting and API calls): https://github.com/OpenHands/software-agent-sdk/blob/main/openhands-sdk/openhands/sdk/critic/impl/api/critic.py

At a high level, you will:

  1. Start a critic server (see Serving section above)
  2. Configure the SDK to point to your critic endpoint + API key
  3. Call the SDK critic to score trajectories (returns rubric probabilities + success score)

Citation

@misc{wang2026rubricsupervisedcriticsparserealworld,
      title={A Rubric-Supervised Critic from Sparse Real-World Outcomes}, 
      author={Xingyao Wang and Valerie Chen and Heng Ji and Graham Neubig},
      year={2026},
      eprint={2603.03800},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2603.03800}, 
}

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
80369c1

0 моделей