/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
29,7 млрд
Размер весов
65,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-32B
Библиотека
transformers
Опубликована
7 сен 2026

OpenThinkerAgent-32B-SFT-10K

Генерация текстаТекст → текст9 профессий

Дообученная на траекториях агента модель Qwen3 для многошаговой работы с кодом, терминалом и задачами программной инженерии.

140скачиваний за 30 дней0лайковвеса обновлены7 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

OpenThinkerAgent-32B-SFT-10K — языковая модель семейства Qwen3, разработанная в рамках проекта OpenThoughts-Agent. Это плотная модель с 29,7 млрд параметров, дообученная полным fine-tuning от Qwen/Qwen3-32B на 10 тысячах примеров с траекториями работы агента. Модель предназначена для диалога и генерации кода, а также для выполнения многошаговых задач в агентной среде, включая работу с терминалом и программную инженерию.

В карточке приведены результаты оценки в harness terminus-2 на SWE-Bench-Verified-100, OpenThoughts-TBLite и Terminal-Bench 2.0; в этих проверках модель превзошла исходную Qwen3-32B. В метаданных указан контекст 40 960 токенов и формат весов safetensors. Модель принимает и генерирует текст; поддерживаемые языки, кроме кода, отдельно не обозначены. Лицензия — Apache-2.0.

Сценарии применения

  • решение задач программной инженерии в агентном harness
  • поиск и исправление ошибок в коде
  • выполнение многошаговых задач разработки
  • работа с терминалом в агентном сценарии
  • ответы на технические вопросы по программированию и ПО

Ограничения

Оценки приведены только для harness terminus-2 и указанных бенчмарков, поэтому они не гарантируют аналогичную результативность в других средах. Карточка не сообщает о поддерживаемых естественных языках.

Для каких профессий подходит9

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-32B-SFT-10K

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-32B-SFT-10K is post-trained from Qwen/Qwen3-32B with full-parameter SFT on the 10,000-example OpenThoughts-Agent-SFT-10K dataset (Top-4 task sources, GLM-4.7-AWQ teacher in the terminus-2 harness, ≥5-turn trace filter).

Performance

Evaluated in the terminus-2 harness (pass@1, mean over 3 stochastic re-runs):

ModelHarnessSWE-Bench-Verified-100OpenThoughts-TBLiteTerminal-Bench 2.0
Qwen/Qwen3-32BTerminus-226.713.77.5
OpenThinkerAgent-32B-SFT-10KTerminus-235.033.216.9

Data

The model is trained on OpenThoughts-Agent-SFT-10K: (task, agent-trajectory) pairs from the Top-4 task sources (SWE-Smith, StackExchange-SuperUser, StackExchange-Tezos with synthetic augmentation, IssueTasks). Trajectories are generated by GLM-4.7-AWQ in the terminus-2 harness and filtered to traces with at least 5 model turns.

Training hyperparameters

  • learning_rate: 4e-05
  • lr_scheduler_type: cosine, warmup_ratio 0.1
  • global_batch_size: 96
  • num_epochs: 7
  • cutoff_len: 32768
  • precision: bf16, DeepSpeed ZeRO-3

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
7559cca

0 моделей