/ Модель

Характеристики

Контекст
262 144 токена
Параметры
18,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Базовая модель
Qwen3-235B-A22B-Thinking-2507
Опубликована
1 мар 2026

AReaL-SEA-235B-A22B

Генерация текстаТекст → текст3 профессии

Модель-агент на базе Qwen3, дообученная для многошагового выполнения задач с использованием инструментов в сценариях авиаперевозок, розничной торговли и телекоммуникаций.

88скачиваний за 30 дней5лайковвеса обновлены2 мар 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

AReaL-SEA-235B-A22B — языковая модель-агент от inclusionAI, дообученная на базе Qwen/Qwen3-235B-A22B-Thinking-2507 с помощью SFT и обучения с подкреплением GRPO. Она предназначена для многошаговых диалогов с использованием инструментов и выполнения задач в интерактивных средах; в карточке описаны сценарии из областей авиаперевозок, розничной торговли и телекоммуникаций. Модель проверялась на τ²-bench и показала средний pass¹ 81,3% по трём доменам.

Модель использует архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и поддерживает контекст до 262 144 токенов. Принимает текст и генерирует текст; метаданные указывают английский язык. Для запуска предназначены веса Safetensors, а лицензия — Apache-2.0. Карточка описывает обучение на синтетических диалогах и результаты бенчмарка, но не приводит подробной оценки надёжности за пределами τ²-bench.

Сценарии применения

  • выполнение многошаговых задач в авиасервисе с вызовом инструментов
  • обработка запросов покупателей в розничной торговле с использованием инструментов
  • решение задач поддержки абонентов телекоммуникационных сервисов
  • оценка поведения агента в интерактивных средах τ²-bench

Ограничения

Результаты приведены для τ²-bench и не гарантируют аналогичного качества в других средах. Для использования как агента нужны совместимая с Qwen3 инфраструктура инференса и доступные инструменты или среды выполнения.

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

AReaL-SEA-235B-A22B — Interactive Tool-Using Agent

AReaL-SEA-235B-A22B is a multi-turn interactive tool-using agent fine-tuned from Qwen3-235B-A22B-Thinking-2507 using SFT + Reinforcement Learning with Verifiable Rewards.

Highlights

  • Achieves 81.3% average pass^1 across all three τ²-bench domains, surpassing GPT-5 (80.0%) and Qwen3-Max-Thinking (80.7%).
  • Trained entirely on self-evolving synthetic data — no human annotation required.
  • End-to-end post-training (SFT → RL) powered by AReaL, using fully asynchronous GRPO with trajectory-level group-relative advantages and dynamic filtering.

Performance

Mix training results on τ²-bench (trained on combined data from all three domains):

Domainpass^1pass^2pass^3pass^4pass@4
Airline71.068.066.566.080.0
Retail79.067.563.557.995.6
Telecom93.088.681.681.6100.0
Average81.374.770.568.591.9

Comparison with Frontier Models

ModelAirline p^1Retail p^1Telecom p^1Avg p^1
AReaL-SEA-235B-A22B71.079.093.081.3
Gemini 3.0 Pro73.085.398.085.4
Claude-Sonnet-4.570.086.298.084.7
GPT-562.581.695.880.0
Qwen3-Max-Thinking71.075.495.880.7
Deepseek-v3.263.881.196.280.4

Training

Method

  1. Synthetic Data Generation: A hierarchical self-evolving multi-agent framework generates multi-turn tool-use dialogues with executable per-instance verification functions, covering three domains: Airline, Retail, and Telecom.
  2. Supervised Fine-Tuning (SFT): The base model is first fine-tuned on the synthetic dialogues.
  3. Reinforcement Learning (GRPO): The SFT checkpoint is further trained via GRPO with trajectory-level group-relative advantages, dynamic filtering, and verifier-based outcome rewards. A fine-tuned user model ensures stable rollouts.

Infrastructure

All RL training is conducted using the AReaL framework on 80 H200 GPUs (10 nodes). AReaL's fully asynchronous pipeline decouples rollout generation from policy training, maximizing GPU utilization for large-scale multi-turn agentic RL.

Hyperparameters

SFTRL
Batch Size128256 (16×16)
Learning Rate1e-51e-5
Epochs / Steps10 epochs—
Max Context Length32,76832,768
Max Gen Tokens / Turn—8,192
Temperature—1.0

Training Data

This repo includes the synthetic training data:

FileDescriptionSamples
sft_merge.jsonlSFT training data (all 3 domains)33,531
rl_merge.jsonlRL training data with verification functions1,982
tau2_rl_database/Environment database states for RL rollouts—

Data Format

Each sample in rl_merge.jsonl contains:

  • id: Unique task identifier (e.g., airline_1, telecom_1)
  • user_scenario: User persona, instructions, known information, and behavioral guidance
  • evaluation_criteria: Ground-truth action sequences and assertion-based verification functions
  • db_path: Path to the corresponding environment database

Usage

The model can be used as a drop-in replacement for any Qwen3-235B-A22B-compatible inference setup. For τ²-bench evaluation:

# Follow the τ²-bench evaluation protocol
# Use GPT-4.1 as user simulator for fair comparison
# Report pass^k metrics (all k attempts must succeed)

For integration with the AReaL training framework, refer to the Tau2 Customer Service example.

Citation

@article{gao2025sea,
  title={From Self-Evolving Synthetic Data to Verifiable-Reward RL: Post-Training Multi-turn Interactive Tool-Using Agents},
  author={Gao, Jiaxuan and Chen, Jiaao and He, Chuyi and Wang, Wei-Chen and Xu, Shusheng and Wang, Hanrui and Jin, Di and Wu, Yi},
  journal={arXiv preprint arXiv:2601.22607},
  year={2025}
}

@article{fu2025areal,
  title={AReaL: A Large-Scale Asynchronous Reinforcement Learning System for Language Reasoning},
  author={Fu, Wei and Gao, Jiaxuan and Shen, Xujie and Zhu, Chen and Mei, Zhiyu and He, Chuyi and Xu, Shusheng and Wei, Guo and Mei, Jun and Wang, Jiashu and Yang, Tongkai and Yuan, Binhang and Wu, Yi},
  journal={arXiv preprint arXiv:2505.24298},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
a186e78

0 моделей