/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,6 млрд
Размер весов
61,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_moe · MoE
Базовая модель
Qwen3-30B-A3B-Instruct-2507
Библиотека
transformers
Опубликована
1 дек 2025

SWE-rebench-openhands-Qwen3-30B-A3B

Генерация текстаТекст → текст5 профессий

Дообученная MoE-модель Qwen для агентного решения задач программирования в OpenHands.

139скачиваний за 30 дней12лайковвеса обновлены23 дек 2025

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

SWE-rebench-openhands-Qwen3-30B-A3B — дообученная Nebius модель для генерации кода и работы агентом OpenHands над задачами разработки ПО. Это чекпойнт Qwen/Qwen3-30B-A3B-Instruct-2507, полученный методом rejection sampling fine-tuning на траекториях OpenHands из набора nebius/SWE-rebench-openhands-trajectories. Архитектура — MoE; метаданные указывают 2,6 млрд параметров, а в README модель описана как 30B. Контекст в метаданных — до 262 144 токенов; обучение использовало последовательности до 131 тыс. токенов.

Модель предназначена для решения задач SWE-bench в агентном цикле: анализировать репозиторий, использовать инструменты и выполнять многошаговые изменения кода. В оценке с OpenHands она превзошла базовую Qwen3-30B-A3B-Instruct-2507 и на настройке в 500 ходов показала результаты на уровне или выше Qwen3-Coder-30B-A3B-Instruct на SWE-bench Verified. Датасет обучения исключал задачи SWE-bench Verified и сентябрьские задачи SWE-rebench; для SWE-bench Verified также проводилась проверка на утечку на уровне репозиториев. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение задач SWE-bench в цикле агента OpenHands
  • анализ репозитория и поиск места для исправления ошибки
  • многошаговое изменение кода с вызовом инструментов
  • подготовка исправлений кода по описанию задачи

Ограничения

Результаты оценки приведены для агента OpenHands и конкретных настроек числа ходов; они не гарантируют качество на других задачах и в других агентных средах. README рекомендует ограничивать длину контекста при обслуживании до 131 072 токенов, хотя метаданные указывают нативный контекст 262 144 токена.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Summary

SWE-rebench-openhands-Qwen3-30B-A3B is a 30B Rejection Sampling Fine-Tuning (RFT) checkpoint derived from Qwen/Qwen3-30B-A3B-Instruct-2507, trained on the newly released nebius/SWE-rebench-openhands-trajectories dataset. Training used a maximum sequence length of 131k tokens.

Table 1. Pass@1 (averaged over 5 runs) and Pass@5 for OpenHands agent with the maximum number of turns set to 100 (highlighted in yellow) and 500 (highlighted in green). Metrics are reported in percentages. Deltas vs base models are shown in parentheses for fine-tuned models.

We explicitly excluded all SWE-bench Verified and SWE-rebench September issues from training to avoid contamination. SWE-rebench Verified was additionally decontaminated on repository level.

When evaluated with the OpenHands (v0.54.0) agent, our 30B model:

  • Substantially improves over the base Qwen3-30B-A3B-Instruct-2507 model, with +24.6 Pass@1 and +24.1 Pass@5 gains at 500-turn settings.
  • Matches or surpasses the specialized Qwen3-Coder-30B-A3B-Instruct baseline at 500 turns on SWE-bench Verified (50.3% vs 50.0% Pass@1; 68.3% vs 63.0% Pass@5).
  • Generalizes to longer interaction horizons, despite training on trajectories capped at 100 turns.

For more details see our report in Nebius blog.


Best Practices

  1. Deployment:

    • Use the following configuration to serve the model with vLLM:
      VLLM_USE_V1=1 vllm serve nebius/SWE-rebench-openhands-Qwen3-30B-A3B
        --tensor-parallel-size 8
        --served-model-name qwen_3_instruct_2507
        --disable-log-requests
        --enable-prefix-caching
        --max-model-len 131072
        --enable-auto-tool-choice
        --tool-call-parser hermes
      
      Tested using vllm/vllm-openai:v0.9.0 Docker image.
  2. Sampling Parameters:

    • For optimal performance, we recommend Temperature=0.7, TopP=0.8, TopK=20, and MinP=0 that are consistent with the base model.

Citation

@article{trofimova2025openhandstrajs,
  title={OpenHands Trajectories with Qwen3-Coder-480B-A35B-Instruct},
  author={Trofimova, Maria and Shevtsov, Anton and Ibragim, Badertdinov and Pyaev, Konstantin and Karasik, Simon and Golubev, Alexander},
  year={2025},
  journal={Nebius blog},
  note={}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3MoeForCausalLM
Ревизия весов
2b25b52

0 моделей