/ 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
19 сен 2026

qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-3ep

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-1.7B для пошагового решения научных задач и управления действиями в симуляторе ScienceWorld.

828скачиваний за 30 дней0лайковвеса обновлены19 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 дообученная модель SeanWang0027 на базе Qwen3-1.7B, созданная для управления агентом в текстовом симуляторе ScienceWorld. Она обучалась методом online multi-turn ROSE: модель формировала первые 10 ходов эпизода, затем продолжение того же эпизода до 5 ходов генерировал учитель gpt-5.4-mini; ответы учителя использовались как целевые примеры, а собственные ходы модели и наблюдения среды — как контекст. Модель представляет собой плотную авторегрессионную языковую модель на 1,7 млрд параметров с контекстом до 40 960 токенов; для работы используется формат диалога ReAct с явными секциями Thought и Action и отключённым режимом thinking.

Основной сценарий — пошаговое выполнение научных задач в ScienceWorld: интерпретация наблюдений среды, планирование и выдача текстовых действий для симулятора. В описанном тесте модель достигла успешности 17,50% на 200 вариантах задач, выше базовой Qwen3-1.7B и SFT-варианта в указанной оценке. Это специализированный исследовательский чекпойнт для среды ScienceWorld, а не универсальный агент для произвольных инструментов или реального мира. Известное ограничение: модель часто буквально воспроизводит шаблон действия open/close OBJ, который симулятор отвергает; доля таких ходов составила 35,22%. Лицензия — Apache-2.0.

Сценарии применения

  • прохождение текстовых научных задач в ScienceWorld
  • выбор действий агента по наблюдениям симулятора
  • пошаговое планирование экспериментов в виртуальной лаборатории
  • оценка обучения агента по продолжениям траекторий учителя

Ограничения

В тестах ScienceWorld успешность составила 17,50% с заметным разбросом между оценочными проходами. Модель иногда буквально выдаёт шаблон open/close OBJ, который симулятор не принимает; такая ошибка наблюдалась в 35,22% ходов.

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 · ScienceWorld · online multi-turn ROSE 10+5 with a gpt-5.4-mini teacher (3 epochs)

Qwen3-1.7B trained with online multi-turn ROSE: in every episode the student plays the first 10 turns in a live ScienceWorld environment, then the teacher (gpt-5.4-mini, OpenAI API, reasoning_effort=medium) continues the same environment for up to 5 turns. Only the teacher's turns are training targets (cross-entropy); the student's own turns and all observations are context. So the student is supervised on states it reaches itself. The same-teacher SFT arm is SeanWang0027/qwen3-1.7b-sciworld-sft-gpt54mini-3ep.

Training

  • 2059 ScienceWorld training task variations, 32 episodes per step, one episode per task per epoch, 3 epochs = 192 steps; fresh student prefixes and teacher continuations every epoch (24390 teacher API calls in total).
  • AdamW, constant lr 1e-5, bf16, thinking off, 512 tokens per turn. Only the teacher's visible reply is used (no hidden reasoning). This is the epoch-3 checkpoint (step 192).

Evaluation

ScienceWorld test split (200 task variations, AgentGym protocol), 4 independent passes, temperature 0.4, 512 tokens per turn, at most 30 rounds, thinking off, no system turn. Success = final score 100. Mean ± std across the 4 passes.

modelsuccess rateAvg@1 (mean final score / 100)
Qwen3-1.7B (base)0.12% ± 0.22-0.0331
SFT on gpt-5.4-mini trajectories, 3 epochs12.88% ± 1.240.1557
online ROSE 10+5 with a gpt-5.4-mini teacher, 3 epochs17.50% ± 2.290.2942

ROSE minus SFT, paired bootstrap over tasks: +4.62 points success [0.75, 8.75], +0.139 Avg@1 [0.072, 0.203].

A separate 1-epoch run of the same setup scored 8.88%. On the training rollouts the teacher raised the episode score by +0.112 on average over its 5 turns.

Known limitation

The teacher sometimes copies the prompt's action template open/close OBJ literally (the simulator rejects it); this model emits it on 35.22% of its turns, against 74.88% for the SFT arm.

Prompt format

ReAct. The conversation is AgentGym's ScienceWorld instruction as a user turn, a canned assistant acknowledgement, then one user turn per observation. The model replies Thought:\n...\n\nAction:\n<one command>. Render with Qwen3's chat template with enable_thinking=False.

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained(REPO); model = AutoModelForCausalLM.from_pretrained(REPO, torch_dtype="bfloat16")
ids = tok.apply_chat_template(messages, add_generation_prompt=True, enable_thinking=False, return_tensors="pt")

All checkpoints of this study (ScienceWorld test, 200 task variations)

Base Qwen3-1.7B scores 0.12%. Every number is the mean ± std of 4 independent passes at temperature 0.4, 512 tokens per turn, at most 30 rounds, thinking off, no system turn; success = final score 100, Avg@1 = mean final score / 100.

methodepochsuccess rate (avg of 4 passes)Avg@1share of turns that are the literal open/close …model
SFT1not evaluated——qwen3-1.7b-sciworld-sft-gpt54mini-ep1
SFT213.25% ± 2.560.157474.20%qwen3-1.7b-sciworld-sft-gpt54mini-ep2
SFT312.88% ± 1.240.155774.88%qwen3-1.7b-sciworld-sft-gpt54mini-3ep
ROSE 10+51not evaluated——qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep1
ROSE 10+527.75% ± 1.920.145562.68%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep2
ROSE 10+5317.50% ± 2.29 (re-run: 15.38% ± 1.43)0.2942 (0.2512)35.22%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-3ep ← this model
ROSE 10+5420.25% ± 2.250.343317.98%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep4
ROSE 10+5525.75% ± 1.300.36922.77%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep5
ROSE 10+5620.75% ± 1.820.294626.59%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep6

How to read this table:

  • The teacher (gpt-5.4-mini, medium) copies the prompt's action template open/close OBJ literally in 29.89% of its own turns; the simulator rejects it every time. Students inherit the habit, and their test success tracks how strong the habit is in the particular checkpoint (last column). In online ROSE the habit oscillates during training, so single-checkpoint numbers are noisy: ROSE epoch 2 was saved at a relapse peak, epochs 3 and 5 near minima, epoch 6 during another relapse.
  • Re-evaluating the same checkpoint (ROSE epoch 3) with 4 fresh passes moved its success rate from 17.50% to 15.38%, so differences under about 3 points are within evaluation noise.
  • SFT epochs 1–2 are mid-schedule checkpoints of one 3-epoch run with a cosine learning-rate schedule; only epoch 3 saw the full decay.
  • ROSE epochs 4–6 continue from the epoch-3 weights with a freshly initialised AdamW (no optimizer state had been saved).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
4c37001

0 моделей