/ 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-ep2

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Qwen3-1.7B, дообученный для выполнения интерактивных научных задач ScienceWorld в формате ReAct.

474скачиваний 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 дообученный чекпойнт Qwen3-1.7B от SeanWang0027 для управления агентом в интерактивных задачах ScienceWorld. Модель получает инструкции и наблюдения среды в формате ReAct и генерирует текстовые рассуждения и действия; обучение использовало продолжения учителя gpt-5.4-mini в многоходовых эпизодах. Это плотная языковая модель с 1,7 млрд параметров и контекстом до 40 960 токенов.

Чекпойнт соответствует второму этапу трёхэтапного обучения. В описанной оценке он достиг успеха 7,75% на 200 вариантах задач ScienceWorld; автор отмечает нестабильность результатов между чекпойнтами и склонность к неверному шаблону действий `open/close`. Модель предназначена прежде всего для экспериментов с агентным поведением в ScienceWorld, а не для универсального применения. Лицензия — Apache-2.0.

Сценарии применения

  • управление агентом в задачах ScienceWorld
  • генерация действий и рассуждений по наблюдениям симулятора
  • исследование многоходового обучения языковых моделей с учителем
  • оценка поведения LLM в интерактивной научной среде

Ограничения

В тесте ScienceWorld успех составил 7,75%; автор указывает на шумность оценок и склонность модели часто выдавать некорректные действия `open/close`. Чекпойнт сохранён на промежуточном этапе обучения и не отражает итоговый результат всего запуска.

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 — epoch 2

Checkpoint after the second epoch (step 128 of the 3-epoch run): 7.75% success. It was saved during a relapse of the open/close habit (62.68% of its test turns) and under-represents the run at that point.

Training

  • 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 turns and all observations are context. Only the teacher's visible reply is used.
  • 2059 training task variations, 32 episodes per step, 64 steps per epoch, fresh student prefixes and teacher continuations every epoch; AdamW, constant lr 1e-5, bf16, thinking off, 512 tokens per turn.
  • This checkpoint: step 128 of the original 3-epoch run (192 steps).

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 ← this model
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
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).

Prompt format

ReAct. 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 and 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")

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
51dcf3c

0 моделей