/ 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-ep1

Генерация текстаТекст → текст3 профессии

Промежуточная версия Qwen3-1.7B, дообученная генерировать ReAct-траектории агента для научных задач в ScienceWorld.

494скачиваний 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 промежуточный чекпойнт Qwen3-1.7B, дообученный автором репозитория на траекториях ReAct для среды ScienceWorld. Модель представляет собой плотную авторегрессионную языковую модель с 1,7 млрд параметров; чекпойнт сохранён в bf16 и рассчитан на контекст до 40 960 токенов. Он принимает текстовые инструкции и наблюдения среды и генерирует текстовые рассуждения и действия агента.

Модель предназначена для экспериментов с агентами, выполняющими научные задачи в ScienceWorld. Обучение проведено на 2 059 эпизодах и 46 035 репликах учителя gpt-5.4-mini; карточка указывает, что это первый из трёх эпохальных чекпойнтов и он не оценивался отдельно. В тестах последующих чекпойнтов отмечена склонность копировать некорректный шаблон действия `open/close`, который симулятор отклоняет, поэтому пригодность этого промежуточного чекпойнта для практического применения не подтверждена. Базовая модель — Qwen/Qwen3-1.7B. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с текстовым агентом в ScienceWorld
  • генерация рассуждений и действий ReAct по наблюдениям симулятора
  • изучение переноса поведения учителя на компактную языковую модель

Ограничения

Этот первый эпохальный чекпойнт отдельно не оценивался. В тестах последующих чекпойнтов наблюдалось копирование некорректных действий `open/close`, отвергаемых симулятором; их результаты нельзя напрямую считать оценкой данного чекпойнта.

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 — epoch 1 of 3

Intermediate checkpoint after the first epoch (step 64). Not evaluated. A separate run trained for exactly one epoch (its own full cosine decay, not this checkpoint) scored 9.12%.

Training

  • Data: 2059 full-episode ReAct trajectories played by gpt-5.4-mini (OpenAI API, reasoning_effort=medium) on the ScienceWorld training task variations, one episode each, at most 30 turns, teacher success 41.96%; 46035 supervised teacher turns. Nothing filtered or masked: failed episodes and rejected actions are included. Only the teacher's visible reply is used.
  • One row per episode; cross-entropy only on each teacher reply and its <|im_end|>.
  • One 3-epoch run (192 steps): batch 32, AdamW lr 1e-5, weight decay 0, cosine schedule with 10% warmup over all 192 steps, fp32 training, max length 8192. This checkpoint is step 64, stored in bf16.

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 ← this model
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
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
7a38abb

0 моделей