/ 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-Qwen-only

Генерация текстаТекст → текст4 профессии

Текстовая модель-критик на базе Qwen3-4B, которая анализирует шаги агента программирования, выявляет ошибки и предлагает дальнейшее действие.

125скачиваний за 30 дней0лайковвеса обновлены3 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-Qwen-only — критическая модель на базе Qwen3-4B-Instruct-2507, разработанная проектом Steer, Don't Solve для поддержки крупных агентов программирования. Она анализирует траекторию работы агента через заданное число шагов и выдаёт структурированную критику: категории обнаруженных ошибок, подтверждающие свидетельства, действие для восстановления, статус задачи и краткую рекомендацию. Модель предназначена для контроля хода решения задач по программированию и не пишет исправляющий код сама.

Это плотная авторегрессионная модель Qwen3 с 3,7 млрд параметров, дообученная полным параметрическим SFT на 1 915 примерах критики траекторий Qwen3-Next-80B-A3B. В README указана длина последовательности обучения 32 768 токенов; метаданные указывают нативный контекст базовой модели до 262 144 токенов. Обучающие примеры охватывают задачи из matplotlib, moto и sympy; в опубликованной абляции модель улучшила процент решения SWE-bench Verified при использовании с агентами Qwen3-Next-80B-A3B и Qwen3-32B.

Модель принимает текстовые диалоги и выдаёт текстовую структурированную критику. Карточка описывает англоязычные данные; лицензия — Apache-2.0. Для запуска README рекомендует vLLM с bf16 и интеграцию с mini-swe-agent. Результаты приведены для конкретной абляции и наборов агентов, поэтому они не гарантируют аналогичного улучшения в других системах.

Сценарии применения

  • анализ траектории агента при решении задачи по программированию
  • поиск ошибок в шагах кодового агента
  • получение рекомендации по восстановлению после ошибки агента
  • оценка статуса выполнения задачи SWE-bench
  • добавление критики к циклу работы mini-swe-agent

Ограничения

Модель выдаёт критику и рекомендации, но сама не формирует исправляющий патч. Результаты проверены в описанной абляции на конкретных кодовых агентах; качество в других сценариях из карточки не следует.

Для каких профессий подходит4

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-Qwen-only

A 4B critic from Steer, Don't Solve: Training Small Critic Models for Large Code Agents, trained on critiques of Qwen3-Next-80B-A3B trajectories only. It is one arm of the training-corpus ablation (Table 3). The 4B critic trained on the mixed CWM plus Qwen3-Next corpus is Qwen3-4B-Critic-SFT.

The critic reads a coding agent's trajectory every k steps and returns a structured critique: detected error categories, evidence, a recovery action, task status, and one line of overall guidance. 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 3, corpus ablation4B, Qwen-only

Original run name: qwen3-4b-instruct-2507-full-sft-prm-r2egym-swebench-instructions-k5-qwen-only-opus-distill-32k-multiturn.

Training data

code-critic-model/critic-sft-qwen-only, 1,915 examples.

  • Tasks: 483 R2E-Gym instances from matplotlib, moto, and sympy, disjoint from SWE-bench Verified.
  • Agent that produced the trajectories: Qwen3-Next-80B-A3B-Instruct, 483 trajectories.
  • Teacher: Claude Opus 4.6, queried every 5 agent steps with the high-level prompt.

Training setup

Identical to Qwen3-4B-Critic-SFT apart from the data. Full-parameter SFT with LLaMA-Factory, config finetuning/qwen3_4b_critic_full_sft_l40s_train_multiturn_resumable.yaml.

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

Results

Resolve rate on SWE-bench Verified, from Table 3 of the paper.

Coding agentNo critic+ this critic+ Qwen3-4B-Critic-SFT (CWM + Qwen data)
Qwen3-Next-80B-A3B20.024.624.2
Qwen3-32B8.810.811.4

How to use

Same serving and launch procedure as Qwen3-4B-Critic-SFT: serve with vLLM in bf16 and pass the served name to scripts/run_critic_max150.sh with --prm. The served name must have an entry in mini-swe-agent/configs/litellm_model_registry.json; add one for this model if you use a new name.

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
5e099b1

0 моделей