/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Размер весов
4,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
20 сен 2026

qwen3-1.7b-alfworld-sft-qwen3-32b-first15turns

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Qwen3-1.7B генерирует последовательные ReAct-действия для агента в текстовой среде ALFWorld.

154скачиваний 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 эту экспериментальную версию Qwen3-1.7B, дообученную методом SFT на траекториях агента Qwen3-32B для среды ALFWorld. Модель предназначена для многошагового взаимодействия с текстовым окружением: получает инструкцию и наблюдения, затем формирует рассуждение в формате ReAct и действие. Используются плотная архитектура Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; модель работает с текстом и рассчитана на шаблон чата Qwen3 с отключённым режимом thinking.

Обучение ограничено первыми 15 ходами каждой траектории учителя; в набор включены и неуспешные эпизоды. В описанной оценке ALFWorld модель достигла успешности 47,75% по двум проходам, причём оценивание остановили досрочно. Это специализированный исследовательский чекпойнт для задач embodied-агентов в текстовой симуляции, а не универсальная модель действий. Основа — Qwen/Qwen3-1.7B; лицензия Apache-2.0.

Сценарии применения

  • выбор следующего действия агента в ALFWorld
  • выполнение многошаговых инструкций в текстовом окружении
  • генерация ReAct-ответов по наблюдениям симулятора

Ограничения

Обучение использовало только первые 15 ходов траекторий и включало неуспешные эпизоды; оценка успешности 47,75% основана только на двух проходах и была остановлена досрочно.

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 · trajectory SFT on the first 15 teacher turns only (Qwen3-32B rollouts)

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

Trajectory SFT: one row per full teacher episode in ChatML, cross-entropy only on each teacher reply and its <|im_end|> (observations, instruction and assistant header are context). Batch 32, AdamW lr 1e-5, weight decay 0, cosine schedule with 10% warmup, fp32 training. Nothing filtered: failed episodes are included. Ablation: every Qwen3-32B training episode is truncated after the teacher's 15th turn. 1 epoch = 75 steps. Stored in bf16.

Evaluation

ALFWorld test split (AgentGym, 200 games), avg of 4 passes, temperature 0.4, 512 tokens/turn, 30 rounds, thinking off. Success 47.75% on 2 passes only (the evaluation was stopped early), against 48.75% for full-episode SFT. 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
226ed39

0 моделей