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

Ссылки

Hugging Face

qwen3-1.7b-alfworld-rose-s10t5-gpt54mini-ep3

SeanWang0027

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3-1.7B для многошагового выполнения бытовых задач в симуляторе ALFWorld.

184скачиваний 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

SeanWang0027 разработал экспериментальный чекпойнт Qwen3-1.7B, дообученный для многошагового взаимодействия с симулятором ALFWorld. Модель основана на Qwen/Qwen3-1.7B и использует плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров. Она генерирует текст в формате ReAct: рассуждение и действие в ответ на наблюдения среды; контекстное окно составляет 40 960 токенов.

Модель предназначена для изучения обучения агентов по траекториям учителя и для выполнения бытовых задач в ALFWorld. При обучении онлайн-методом ROSE студент играл первые 10 ходов, после чего учитель продолжал эпизод до пяти ходов; целями обучения были только ответы учителя. На тестовом разделении ALFWorld модель показала успех 40,25% ± 1,95% при описанном в карточке протоколе оценки. Это исследовательский экспериментальный чекпойнт, а не универсальный агент. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0.

Сценарии применения

выполнение бытовых задач в симуляторе ALFWorld
выбор действий по текстовым наблюдениям среды
исследование многошаговых ReAct-агентов
сравнение онлайн-дистилляции с обучением на траекториях учителя

Ограничения

В тестировании ALFWorld модель достигла успеха 40,25% ± 1,95%; в карточке указано, что тот же протокол дал 58,25% для варианта обучения на траекториях учителя. Оценка относится к конкретной симуляционной среде и сама по себе не подтверждает надёжность в реальных условиях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.13Универсальные способностиСимуляция, моделирование и открытие новогоAI помогает исследовать сложные системы, проверять сценарии и искать новые конструкции, закономерности или гипотезы.18 задач1 577моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

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 3 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 204. 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 40.25% ± 1.95. 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: 9e9c1b1