/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
20 сен 2026

qwen3-1.7b-alfworld-rose-s10t5-gpt54mini-ep2

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3-1.7B, дообученный для многоходового выбора действий в среде ALFWorld.

172скачиваний за 30 дней0лайковвеса обновлены20 сен 2026

Бенчмарки

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

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 экспериментальный агентный чекпойнт на базе Qwen/Qwen3-1.7B, обученный исследовательской командой SeanWang0027 для выполнения заданий в ALFWorld. Модель дообучена методом online multi-turn ROSE: студент взаимодействует со средой первые 10 ходов, затем учитель gpt-5.4-mini продолжает эпизод до 5 ходов, а ответы учителя используются как целевые примеры. Чекпойнт соответствует второму этапу обучения из трёх и использует плотную архитектуру Qwen3ForCausalLM; размер — 1,7 млрд параметров, формат — safetensors, контекст — до 40 960 токенов.

Модель предназначена для многоходового диалога в формате ReAct и выбора действий по наблюдениям из ALFWorld. В описанной оценке на 200 тестовых эпизодах она достигла успеха 42,00% ± 1,27; результат зависит от протокола и уступил варианту, обученному на траекториях учителя. Лицензия — Apache-2.0. Результаты относятся к конкретной симулированной среде и не подтверждают надёжность агента в других задачах или реальном мире.

Сценарии применения

  • выполнение бытовых заданий в симуляторе ALFWorld
  • выбор следующего действия по текстовому наблюдению среды
  • многоходовое планирование в формате ReAct
  • исследование дистилляции траекторий учителя для языковых агентов

Ограничения

В оценке на ALFWorld модель достигла 42,00% успешных эпизодов; качество зависит от среды и протокола. Это второй из трёх экспериментальных этапов, и он уступил обучению на траекториях учителя в описанном сравнении.

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

Qwen3-1.7B · ALFWorld · online ROSE 10+5 with a gpt-5.4-mini teacher — epoch 2 of 3

Student: Qwen/Qwen3-1.7B. Part of a study comparing teacher-trajectory SFT, online multi-turn ROSE and on-policy distillation for multi-turn agents.

Training

Online multi-turn ROSE: the student plays the first 10 turns in a live environment, the teacher continues the same environment for up to 5 turns, and only the teacher's turns are cross-entropy targets. 32 episodes per step, AdamW constant lr 1e-5, bf16, thinking off, 512 tokens per turn. Teacher: gpt-5.4-mini (OpenAI API, reasoning_effort=medium; only the visible reply is used). 2181 training games, 68 steps per epoch, 3 epochs = 204 steps; this is step 136. About 7% of steps were empty because the ALFWorld env server had to be recycled (disk leak).

Evaluation

ALFWorld test split (AgentGym, 200 games), avg of 4 passes, temperature 0.4, 512 tokens/turn, 30 rounds, thinking off. Success 42.00% ± 1.27. Epochs 1/2/3: 32.00 / 42.00 / 40.25. Same-teacher trajectory SFT after 3 epochs: 58.25% (SFT − ROSE = +18.00, 95% CI [12.75, 23.75]). Reference points on the same protocol: base Qwen3-1.7B 19.38%, Qwen3-32B itself 52.12%.

Prompt format

ReAct, multi-turn chat: the environment's AgentGym instruction as the first user turn, a canned assistant acknowledgement, then one user turn per observation; the model replies Thought:\n...\n\nAction:\n<one action>. Render with Qwen3's chat template and enable_thinking=False.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
0fadd3e

0 моделей