/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
11 июл 2026

Qwen3-4B-Critic-SFT

Генерация текстаТекст → текст3 профессии

Qwen3-4B-Critic-SFT анализирует ход работы кодового агента и выдаёт структурированные замечания, чтобы помочь ему исправить ошибки и довести задачу до конца.

177скачиваний за 30 дней0лайковвеса обновлены10 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

Qwen3-4B-Critic-SFT — плотная языковая модель-критик на базе Qwen3-4B-Instruct-2507, разработанная проектом Steer, Don’t Solve для помощи крупным кодовым агентам. Модель дообучена методом полного SFT на 6 447 примерах траекторий решения задач по коду. Её подключают рядом с замороженным агентом: через заданное число шагов она анализирует ход работы и выдаёт структурированную критику с обнаруженными категориями ошибок, подтверждающими их фактами, способом восстановления, статусом задачи и кратким общим советом.

Модель предназначена для сопровождения агентов при решении задач программирования, в том числе задач SWE-bench Verified; она направляет их работу, но сама не пишет исправления кода. Архитектура — Qwen3ForCausalLM, размер — 3,7 млрд параметров. Метаданные указывают контекст до 262 144 токенов, а в обучении использовалась последовательность длиной 32 768 токенов; для приведённого примера запуска vLLM задан лимит 65 536 токенов. Модель принимает текстовые диалоги с ходом работы агента и генерирует текстовую критику. Карточка указывает английский язык. Лицензия — Apache-2.0.

Сценарии применения

  • поиск ошибок в траектории кодового агента
  • предложение шага восстановления после ошибки агента
  • оценка статуса решения задачи программирования
  • передача кратких рекомендаций агенту во время работы
  • оценка и сопровождение агентов на задачах SWE-bench

Ограничения

Модель предназначена для критики и направления агента и не пишет исправления кода самостоятельно. В README приведены результаты на SWE-bench Verified, но они зависят от используемого агента и конфигурации 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

Qwen3-4B-Critic-SFT

The 4B SFT critic from Steer, Don't Solve: Training Small Critic Models for Large Code Agents. It is Qwen3-4B-Instruct-2507 fine-tuned on the same corpus as the main 8B critic, and it is the starting point for the DPO critic Qwen3-4B-Critic-SFT-DPO.

A critic sits next to a frozen coding agent. Every k agent steps it reads the trajectory so far and returns a short structured critique: which error categories it detects, the evidence, a recovery action, the task status, and one line of overall guidance. It steers the agent; it does not write the patch.

All released models and datasets are listed on the organization page. Code and configs are in the critic-training repository.

Where it appears in the paper

Paper locationRow label
Table 1, every agent blockQwen3-4B + SFT
Table 3, corpus ablation4B, Qwen+CWM
Section 2.4 and Figure 3the SFT checkpoint that DPO starts from

Original run name: qwen3-4b-instruct-2507-full-sft-prm-r2egym-swebench-instructions-k5-cwm-plus-qwen-opus-distill-32k-multiturn. The repository code-critic-model/qwen3-4b-sft-prm holds a byte-identical copy of these weights under the name the DPO runs referenced.

Training data

code-critic-model/critic-sft-cwm-qwen, 6,447 examples.

  • Tasks: 500 R2E-Gym instances from matplotlib, moto, and sympy, disjoint from SWE-bench Verified.
  • Agents that produced the trajectories: CWM-32B (500 trajectories, 4,532 examples) and Qwen3-Next-80B-A3B-Instruct (483 trajectories, 1,915 examples).
  • Teacher: Claude Opus 4.6, queried every 5 agent steps with the high-level prompt.

Training setup

Full-parameter SFT with LLaMA-Factory. The config is finetuning/qwen3_4b_critic_full_sft_l40s_train_multiturn_resumable.yaml in the repository.

SettingValue
Base modelQwen/Qwen3-4B-Instruct-2507
Chat templateqwen3_nothink
Sequence length32,768 tokens
Lossfinal critique turn only (mask_history: true)
Hardware8 x L40S, per-device batch 1, effective batch 8
OptimizerAdamW, lr 5e-6, cosine schedule, warmup ratio 0.1
Epochs3
Precisionbf16

Results

Resolve rate on SWE-bench Verified (500 instances), from Table 1 of the paper, best of k=5 and k=10 per configuration. The untrained base model is included so the effect of SFT is visible.

Coding agentNo criticUntrained Qwen3-4B-Instruct-2507+ Qwen3-4B-Critic-SFT+ Qwen3-4B-Critic-SFT-DPO
Qwen3-32B8.810.211.414.4
Qwen3-Next-80B-A3B20.020.224.226.2
GPT-OSS-20B3.06.89.814.8
GLM-4.7-Flash-30B-A3B21.629.835.235.8
GPT-OSS-120B (medium reasoning)20.416.831.234.8
o3-mini19.020.427.628.2

How to use

Serve with vLLM in bf16 and run an agent through the repository's mini-swe-agent fork, which inserts a critique every k steps.

vllm serve code-critic-model/Qwen3-4B-Critic-SFT \
    --served-model-name Qwen3-4B-Critic-SFT \
    --dtype bfloat16 --max-model-len 65536 --port 8071

bash scripts/run_critic_max150.sh prm_issue_res_instructions_step_aware 5 0 qwen3-80b \
    --prm Qwen3-4B-Critic-SFT --prm-node <vllm-host>:8071 --slice :500 \
    --prefix-dir <path to the matching no-critic run>

The --prm name goes to LiteLLM, which needs a matching entry in mini-swe-agent/configs/litellm_model_registry.json to price the calls. Copy the block for the original run name to a new key Qwen3-4B-Critic-SFT, or serve under the original run name. Without an entry the critic call fails and the agent runs without critiques.

To call the critic directly, take any training record, drop its final teacher critique, and generate. The system message and trajectory encoding in the records are exactly what the model saw in training. A complete snippet is on the Qwen3-8B-Critic-SFT card; only the repo name changes.

Citation

@misc{gandhi2026steerdontsolvetraining,
  title={Steer, Don't Solve: Training Small Critic Models for Large Code Agents},
  author={Shubham Gandhi and Yiqing Xie and Atharva Naik and Ruichen Zhu and Carolyn Rose},
  year={2026},
  eprint={2606.21811},
  archivePrefix={arXiv},
  primaryClass={cs.SE},
  url={https://arxiv.org/abs/2606.21811}
}

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
7a7d411

0 моделей