/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
OpenThinkerAgent-8B-ColdStartSFTForRL
Библиотека
transformers
Опубликована
9 июн 2026

OpenThinkerAgent-8B-RL

Генерация текстаТекст → текст6 профессий

Производная модели zurichquants/OpenThinkerAgent-8B-RL. Агентная модель на базе Qwen3-8B, дообученная с подкреплением для решения задач программной инженерии через терминал.

203скачиваний за 30 дней2лайкавеса обновлены9 июн 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

Карточка модели open-thoughts/OpenThinkerAgent-8B-RL на Hugging Face совпадает с карточкой zurichquants/OpenThinkerAgent-8B-RL, поэтому описание составлено по ней.

OpenThinkerAgent-8B-RL — модель для программной разработки и агентных задач от проекта OpenThoughts-Agent. Это финальный чекпойнт рецепта SFT→RL: модель Qwen3-8B сначала прошла холодное SFT-обучение, затем дообучалась методом обучения с подкреплением на задачах из OpenThoughts-Agent-RL-5K. В метаданных указаны 7,6 млрд параметров, архитектура Qwen3ForCausalLM и контекстное окно 40 960 токенов; веса опубликованы в формате safetensors, библиотека — Transformers.

Модель предназначена для работы в среде terminus-2 как агент, который использует терминал, анализирует его вывод и выполняет задачи программной инженерии. Обучение с подкреплением проводилось на задачах набора pymethods2test-large, где решения проверялись тестами в изолированной среде. Лицензия — Apache-2.0.

Модель может ошибаться в рассуждениях и командах, включая команды оболочки. Её обучение было ориентировано на распределение задач pymethods2test/SWE-Smith, поэтому качество на других типах задач может быть неравномерным; проверенные результаты бенчмарков для этого чекпойнта не опубликованы.

Сценарии применения

  • решение задач программной инженерии в терминальной среде
  • поиск и исправление ошибок в коде
  • выполнение задач на написание и проверку кода
  • анализ вывода команд терминала
  • автоматизация разработки с использованием инструментов

Ограничения

Модель может выдавать ошибочные или небезопасные команды и результаты, поэтому их следует проверять и выполнять в изолированной среде. Обучение с подкреплением было сосредоточено на распределении задач pymethods2test/SWE-Smith, а проверенные бенчмарк-результаты для этого чекпойнта не опубликованы.

Для каких профессий подходит6

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

OpenThinkerAgent-8B-RL

OpenThoughts-Agent is an open-source effort to curate the best datasets for training agents. Our release includes datasets, models and our research codebase.

OpenThinkerAgent-8B-RL is the final, RL-trained 8B agentic checkpoint of the OpenThoughts-Agent SFT→RL recipe. Starting from the cold-start SFT base OpenThinkerAgent-8B-ColdStartSFTForRL, it is further trained with on-policy reinforcement learning on the OpenThoughts-Agent-RL-5K task set. This checkpoint corresponds to RL step 45.

Architecture note. Although the upstream lineage carries a GLM-4.7 label (which refers to the teacher used for the cold-start SFT trajectories, not the student), this model is a Qwen3-8B. Its config.json reports model_type: qwen3, architectures: ["Qwen3ForCausalLM"], 36 layers, hidden size 4096, 32 attention heads / 8 KV heads, and a 40,960-token context — i.e. standard Qwen3-8B.

Model details

  • Base (pre-RL) model: OpenThinkerAgent-8B-ColdStartSFTForRL (itself an SFT of Qwen/Qwen3-8B)
  • Architecture: Qwen3 (Qwen3ForCausalLM), 36 layers, hidden size 4096, 32 attention heads, 8 KV heads, RoPE θ = 1e6
  • Context length: 40,960 tokens (max position embeddings); RL rollouts used a 32,768-token serving window
  • Vocabulary: 151,936 tokens
  • Precision: bf16
  • Checkpoint: RL step 45

The SFT → RL recipe

  1. OpenThoughts-Agent-SFT-ColdStartForRL-10K — cold-start SFT trajectories.
  2. OpenThinkerAgent-8B-ColdStartSFTForRL — Qwen3-8B after cold-start SFT (the pre-RL base).
  3. OpenThoughts-Agent-RL-5K — the 5,000 on-policy RL tasks.
  4. OpenThinkerAgent-8B-RL — this model, the final RL'd checkpoint (step 45).

Training data

Training procedure

On-policy RL with the OpenThoughts-Agent codebase (SkyRL), recorded in the run config shipped with this repo (swesmith-fixthink-pymethods2test_rl_config.json):

  • Algorithm: RLOO-n advantage estimator (advantage_estimator=rloo_n), no KL loss (use_kl_loss=false, kl_loss_coef=0.0)
  • PPO clip: eps_clip_low/high = 0.2, loss reduction = token_mean
  • Optimizer: AdamW, learning_rate 5e-6, weight_decay 0.0, betas (0.9, 0.999)
  • Batch: train_batch_size 64, policy_mini_batch_size 64
  • Rollouts: vLLM backend, 8 samples per prompt, sampling temperature 0.7 / top_p 0.95 / top_k 20, max generate length 4096, served at 32,768-token context
  • Harness: terminus-2 agent in Daytona sandboxes; interleaved thinking enabled
  • Strategy: FSDP2; HF checkpoint exported every 5 RL steps; this artifact is step 45

Intended uses & limitations

This is an agentic coding model: it is designed to operate as a tool-using agent in the terminus-2 harness (issuing shell commands / edits and reasoning over terminal output) to solve software-engineering tasks. It inherits Qwen3-8B's general capabilities plus agentic behaviour from cold-start SFT and the RL stage. Limitations: outputs (including shell commands) may be incorrect or unsafe and should be executed only in sandboxed environments with review; the RL stage optimized for the pymethods2test/SWE-Smith-style task distribution and may generalize unevenly to other domains.

Evaluation: No verified agentic-benchmark numbers are published for this specific 8B RL checkpoint in the source artifact; evaluation results are TBD. (The flagship OpenThinkerAgent-32B card reports the project's benchmark suite for the 32B SFT line.)

Links

Citation

@misc{openthoughts-agent,
  author = {Team, OpenThoughts-Agent},
  title = {{OpenThoughts-Agent: Data Recipes for Agentic Models}},
  howpublished = {https://www.openthoughts.ai/blog/agent},
  year = {2026}
}

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
d7167bc

0 моделей