/ 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-ep4

Генерация текстаТекст → текст3 профессии

Дообученная на продолжениях учителя Qwen3-1.7B для управления ReAct-агентом в текстовых задачах ScienceWorld.

488скачиваний 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

SeanWang0027/Qwen3-1.7B-sciworld-rose-s10t5-gpt54mini-ep4 — дообученная компактная языковая модель на базе Qwen3-1.7B от Qwen. Она предназначена для генерации ходов ReAct-агента в интерактивной среде ScienceWorld: модель получает инструкции и наблюдения среды, а затем формирует рассуждение и действие. Модель обучали в многоходовом онлайн-режиме ROSE: после первых десяти ходов студента учитель gpt-5.4-mini продолжал тот же эпизод до пяти ходов, и ответы учителя использовались как целевые данные.

Это плотная авторегрессионная модель с 1,7 млрд параметров, рассчитанная на текстовый ввод и генерацию текста; базовая архитектура — Qwen3ForCausalLM. Контекстное окно — 40 960 токенов. В описании эксперимента для тестирования указана успешность 20,25% для этого чекпойнта на тесте ScienceWorld из 200 вариантов задач; результаты по отдельным чекпойнтам и прогонам заметно колеблются. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация действий ReAct-агента в ScienceWorld
  • пошаговое решение интерактивных научных задач
  • продолжение диалога агента по текстовым наблюдениям среды

Ограничения

В тесте ScienceWorld успешность этого чекпойнта составила 20,25%; авторы отмечают колебания результатов между чекпойнтами и прогонами. Модель может перенимать от учителя шаблонные действия open/close, которые симулятор отклоняет.

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 4

First epoch of the continuation (overall epoch 4): 20.25% success.

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.
  • Continuation: initialised from the epoch-3 weights (step 192 of the original run) with a fresh AdamW state; this checkpoint is step 64 of the continuation.

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
ROSE 10+5420.25% ± 2.250.343317.98%qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-ep4 ← this model
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
33f7070

0 моделей