/ 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
19 сен 2026

qwen3-1.7b-sciworld-sft-gpt54mini-3ep

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-1.7B генерирует ReAct-действия для выполнения научных заданий в симуляторе ScienceWorld.

812скачиваний 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-sft-gpt54mini-3ep — компактная плотная языковая модель Qwen3-1.7B, дообученная автором на траекториях ReAct для симулятора ScienceWorld. Она принимает текстовые инструкции и наблюдения среды и генерирует текстовые ответы с рассуждением и действиями для выполнения научных задач в симуляции. Модель обучена на 2059 эпизодах, сыгранных gpt-5.4-mini, и предназначена для исследования и запуска агента по протоколу AgentGym; контекст — до 40960 токенов. В тестовой оценке ScienceWorld модель достигла успеха 12,88%, выше базовой Qwen3-1.7B, но ниже сравниваемого варианта ROSE.

Главное ограничение — модель часто буквально повторяет ошибочный шаблон действия open/close OBJ, который симулятор отклоняет; такие повторы встречались в 74,88% её ходов и заметно мешали успеху эпизодов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • выполнение научных заданий в ScienceWorld
  • генерация ReAct-действий по наблюдениям симулятора
  • исследование обучения языковых агентов на траекториях учителя

Ограничения

Модель часто воспроизводит ошибочный шаблон open/close OBJ, который симулятор отклоняет; в тесте ScienceWorld доля таких ходов составила 74,88%, а успешность — 12,88%.

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 · trajectory SFT on gpt-5.4-mini rollouts (3 epochs)

Qwen3-1.7B fine-tuned on full-episode ReAct trajectories that gpt-5.4-mini (OpenAI API, reasoning_effort=medium) played on the 2059 ScienceWorld training task variations (one episode each, at most 30 turns, teacher success 41.96%). This is the SFT arm of an SFT-vs-online-ROSE comparison; the ROSE arm is SeanWang0027/qwen3-1.7b-sciworld-rose-s10t5-gpt54mini-3ep.

Training

  • Data: 2059 episodes, 46035 supervised teacher turns. Nothing filtered or masked: failed episodes and turns the simulator rejected are included.
  • One training row per episode. Cross-entropy only on each teacher reply and its <|im_end|>; observations, the instruction and the assistant header are context only. Only the teacher's visible reply is used (no hidden reasoning).
  • 3 epochs (192 steps), batch 32, AdamW lr 1e-5, weight decay 0, cosine schedule with 10% warmup, fp32 training, max length 8192. This is the epoch-3 checkpoint, stored in bf16.

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].

Known limitation

The teacher copied the prompt's action template open/close OBJ literally in 29.89% of its turns (the simulator rejects it). This model reproduces that on 74.88% of its turns and rarely escapes the loop; episodes without it succeed 47.71% of the time. Fixing the action list in the prompt and re-collecting would likely help more than any training change.

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 ← this model
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
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
628805a

0 моделей