/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
8 окт 2026

Qwen3-8B-UserRL-Agent

Генерация текстаТекст → текст

Дообученная методом GRPO модель Qwen3-8B для многоходового взаимодействия с пользователем и оценки агентов в средах UserRL.

257скачиваний за 30 дней0лайковвеса обновлены12 окт 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-UserRL-Agent — диалоговая языковая модель на архитектуре Qwen3, дообученная методом GRPO в рамках UserRL как базовый агент для многоходового взаимодействия с пользователем. Модель разработана в проекте MIMESIS и основана на Qwen/Qwen3-8B; в обучении использовался симулятор пользователя GPT-5.5. Она содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов.

Модель предназначена для многошагового диалога и выполнения задач в средах UserRL, включая планирование поездок, работу с функциями и убеждение собеседника. В описанных авторами экспериментах её средний балл на восьми средах при оценке девятью моделями пользователей составил 26,10; три среды не участвовали в обучении. Это экспериментальный исследовательский чекпойнт, пригодный для воспроизведения оценки UserRL и разработки диалоговых агентов. Доступна по лицензии Apache-2.0.

Карточка описывает текстовую генерацию и чат-возможности; сведения о поддерживаемых языках для этой производной модели отдельно не приведены. Ограничения оценки и качество за пределами задач UserRL по представленным материалам не установлены.

Сценарии применения

  • оценка диалогового агента в средах UserRL
  • обучение многоходового агента на взаимодействии с симулятором пользователя
  • планирование поездки в диалоговом сценарии
  • выполнение задач с вызовом функций в многошаговом диалоге
  • исследование стратегий убеждения в диалоге

Ограничения

Оценка в README относится к восьми средам UserRL и девяти моделям пользователей; она не устанавливает качество на других задачах. Поддерживаемые языки и поведение вне сценариев UserRL в предоставленных материалах не уточняются.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-8B-UserRL-Agent

The UserRL baseline from MIMESIS: Qwen3-8B trained with multi-turn GRPO following UserRL, with GPT-5.5 as the training user simulator. The main text of the paper calls it GRPO w. GPT-5.5.

Paper · Code · Project page · Collection

Results

Mean task score of the five Qwen3-8B agents from the paper across eight UserRL environments, three of them held out from training (IntentionGym, TelepathyGym, SearchGym), under nine evaluation user models that were not used in training.

AgentTraining userObjectiveMean score
BasenoneSFT18.49
UserRL (this model)GPT-5.5GRPO26.10
InfoPOMIMESIS-9BInfoPO26.65
UserRL+MIMESIS-9BGRPO29.54
CSDMIMESIS-9BGRPO + CSD31.09

With the GRPO objective fixed, replacing GPT-5.5 with MIMESIS-9B as the training user (UserRL+) improves the mean score under every evaluation user. Each score is the mean over the nine evaluation users; per-user and per-environment scores are in Appendix D of the paper.

Training

RL starts from the Base checkpoint, Qwen3-8B after a supervised warm start, and trains on five UserRL environments: TravelGym, TurtleGym, FunctionGym, TauGym and PersuadeGym. The full configuration is in Appendix D of the paper, and the training scripts are in the agent directory of the code release.

Usage

The model loads like Qwen3-8B. To evaluate it in the eight environments, install the agent code, serve a user model as described there, and run from the agent directory:

bash scripts/run_eval.sh phanviethoang1512/Qwen3-8B-UserRL-Agent userrl

Citation

@article{phan2026mimesis,
  title   = {{MIMESIS}: Learning User Simulators as Training Environments for Interactive Agents},
  author  = {Phan, Hoang and Huynh, Dat and Zhmoginov, Andrey and Zeng, Qi and Mu, Wancen and Cao, Yue and Bi, Shengjie and He, Yun and Oh, Changdae and Lei, Deren},
  journal = {arXiv preprint arXiv:2610.09484},
  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
caad617

0 моделей