/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
32,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
9 июн 2026

Qwen3-8B-Critic-SFT-Detailed-Prompt

Генерация текстаТекст → текст4 профессии

Текстовая модель-критик на базе Qwen3-8B, которая помогает кодирующим агентам находить ошибки и улучшать решения задач разработки.

120скачиваний 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

Qwen3-8B-Critic-SFT-Detailed-Prompt — модель-критик на 7,6 млрд параметров, разработанная командой Steer для оценки хода работы кодирующих агентов. Это полнопараметрическая донастройка Qwen/Qwen3-8B на примерах критики, сформированной учителем Claude Opus 4.6 с подробным промптом. Модель предназначена для пошагового выявления ошибок и выдачи рекомендаций при решении задач разработки ПО, в том числе задач из SWE-bench Verified.

Подробный промпт при обучении разрешал предлагать конкретные исправления кода. По описанию исследования, агенты могут копировать такие фрагменты кода, а эта версия показала более низкий процент успешного решения задач, чем вариант, обученный на краткой критике высокого уровня. Модель принимает текст и генерирует текст; карточка указывает архитектуру Qwen3ForCausalLM, контекст до 40 960 токенов и английский язык. Для запуска авторы описывают использование vLLM в формате bf16. Лицензия — Apache-2.0.

Сценарии применения

  • поиск ошибок в ходе работы кодирующего агента
  • выдача рекомендаций по исправлению кода
  • оценка промежуточных решений агента при решении задач SWE-bench
  • пошаговая критика попыток исправить программную ошибку

Ограничения

Вариант с подробными обучающими критиками показал более низкий процент решения задач SWE-bench Verified, чем версия, обученная на критике высокого уровня; сравнение также затрагивает различия в обучающих корпусах. Модель может выдавать конкретные фрагменты исправлений, которые агент склонен копировать.

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

Qwen3-8B-Critic-SFT-Detailed-Prompt

An 8B critic from Steer, Don't Solve: Training Small Critic Models for Large Code Agents, trained on teacher critiques collected with the detailed prompt instead of the high-level one. It is the comparison arm of the prompt ablation (Table 4). The critic trained on high-level critiques is Qwen3-8B-Critic-SFT.

The two prompts differ in what the teacher is allowed to say. The high-level prompt asks for error detection plus short guidance and forbids full solutions. The detailed prompt lets the teacher propose concrete code-level fixes, so its critiques are longer and often contain code. The paper shows that agents copy this code (Table 5), and that a small critic trained on detailed critiques ends up weaker than one trained on high-level critiques.

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 4, prompt ablation+ SFT (Detailed-Prompt)

Original run name: qwen3-8b-full-sft-prm-r2egym-swebench-k5-opus-distill-32k-lr5e6-multiturn. In the repository the detailed prompt is the prm_issue_res config family and the high-level prompt is prm_issue_res_instructions.

Training data

code-critic-model/critic-sft-cwm-only-detailed-prompt, 3,135 examples.

  • Tasks: 500 R2E-Gym instances from matplotlib, moto, and sympy, disjoint from SWE-bench Verified.
  • Agent that produced the trajectories: CWM-32B, 500 trajectories.
  • Teacher: Claude Opus 4.6, queried every 5 agent steps with the detailed prompt.

The same 500 tasks and agent as critic-sft-cwm-only; only the teacher prompt differs. Fewer examples survive the 32K token limit because detailed critiques are longer.

Training setup

Identical to Qwen3-8B-Critic-SFT apart from the data. Full-parameter SFT with LLaMA-Factory, config finetuning/qwen3_8b_critic_full_sft_l40s_train_multiturn_resumable.yaml.

SettingValue
Base modelQwen/Qwen3-8B
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 4 of the paper. Both critics were run with the same high-level, step-aware inference prompt; only the training critiques differ.

Coding agentNo critic+ this critic (detailed training critiques)+ Qwen3-8B-Critic-SFT (high-level training critiques)
Qwen3-Next-80B-A3B20.024.625.2
Qwen3-32B8.812.613.8

Note that the high-level critic was trained on the larger CWM plus Qwen3-Next corpus, so this comparison also reflects the corpus difference.

How to use

Same serving and launch procedure as Qwen3-8B-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
76c2b08

0 моделей