II.10Разработка и эксплуатация AI/ML-систем

Это политика размещения областей обзора, обученная методом градиента политики для семантической сегментации сцен ADE20K. Модель оценивает кандидатов на точку обзора на дискретной сетке: 2 масштаба и центры 16×16. Она использует замороженную визуальную основу CanViT и выдаёт логиты политики для кандидатов; при развёртывании сначала обрабатывается весь кадр, затем на каждом шаге выбирается кандидат с максимальной оценкой. Модель разработана в проекте CanViT-PyTorch-RL. Чекпойнт создан на шаге 5000 в запуске с seed 0; лучший вариант выбирался по средней валидационной cross-entropy на шагах t1–t4. Для описанного шага приведены метрики ADE20K: CE 0,7649 и mIoU 39,60% на t0, CE 0,6886 и mIoU 44,01% на t2. Для использования указаны пакет canvit-pytorch-rl и загрузка через ViewpointScorer. Лицензия — MIT.

Модель CanViT-PyTorch-RL — политика размещения областей обзора для последовательной сегментации сцен на датасете ADE20K. Она оценивает дискретные точки обзора на сетке из двух масштабов и центров 16×16; оценки служат логитами политики, обученной методом градиента политики с подкреплением. Для развёртывания на первом шаге используется полный кадр, далее выбирается кандидат с максимальной оценкой. Политика работает с замороженной базовой моделью CanViT, а контрольная точка обучена до шага 7000 с выбором по валидационной ошибке сегментации на шагах t1–t4. Модель предназначена для выбора последовательности областей изображения при семантической сегментации ADE20K. В README приведены метрики валидации на первых шагах: mIoU растёт с 39,60% при t0 до 43,78% при t2. Базовая модель — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. Для запуска нужны библиотеки CanViT-PyTorch-RL и CanViT; веса опубликованы в формате safetensors. Лицензия — MIT.

Это обученная методом policy gradient политика CanViT-PyTorch-RL для выбора точек обзора при последовательной сегментации изображений ADE20K. Она оценивает кандидаты на сетке из двух масштабов и центров 16×16, выдавая логиты политики; при развёртывании первый шаг использует полный обзор сцены, а на следующих выбирается кандидат с максимальным баллом. Политика работает с замороженной основой CanViT и обучена на ADE20K с горизонтом из пяти шагов; в README приведены метрики валидации по cross-entropy и mIoU. Модель предназначена для управления размещением последовательных «взглядов» при визуальной сегментации сцен. Базовая модель — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. Для загрузки и развёртывания README указывает библиотеку canvit-pytorch-rl и интерфейсы ViewpointScorer и ArgmaxPolicy. Репозиторий распространяется по лицензии MIT.

Экспериментальная модель Philip May — вариант Phi-3-mini-4k-instruct, преобразованный в архитектуру LLaMAfied и объединённый в конфигурацию MoE из восьми экспертов с помощью mergekit. В карточке указаны 3,7 млрд параметров и контекст до 4096 токенов; модель представлена в формате safetensors и рассчитана на генерацию текста в диалоговом режиме. Маршрутизатор экспертов был случайно инициализирован при слиянии, поэтому автор обозначает модель как raw и указывает, что перед использованием её необходимо обучить. Она предназначена для экспериментов с преобразованием и обучением языковых моделей, а не для готового чат-применения. Лицензия — MIT.

Phi4_attn_residual — исследовательский чекпойнт из коллекции OASIS, созданный на базе Microsoft Phi-4-mini-instruct. Это базовый вариант AttentionResidual: он использует стандартный softmax для внимания на уровне токенов и дополнительную маршрутизацию между слоями без null routing. Модель предназначена для сравнения вариантов межслойной маршрутизации и изучения влияния attention sinks и выбросов активаций на стабильность инференса и устойчивость к квантованию. Чекпойнт содержит около 3,8 млрд параметров, рассчитан на контекст до 4096 токенов и хранится в формате Safetensors. Для корректного использования требуются код моделирования OASIS и загрузка дополнительных параметров AttentionResidual: стандартный AutoModelForCausalLM может молча отбросить их и не воспроизвести вариант модели. Лицензия — MIT. Результаты и поведение этой экспериментальной архитектурной версии следует оценивать с учётом того, что она предназначена прежде всего для сравнительных исследований; карточка не приводит конкретных ограничений по языкам.

PhysX-Omni — модель ACERobotics для создания 3D-объектов по изображениям. Это дообученная версия мультимодальной Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров. Для работы с моделью указаны веса в формате safetensors; базовая модель поддерживает контекст до 128 000 токенов. Модель предназначена для генерации физических 3D-объектов, пригодных для симуляции. В метаданных также указаны датасеты PhysX-Mobility, PhysX-3D и PhysXVerse. Лицензия — MIT.

π₀.₅ (Pi05) — базовая vision-language-action-модель для робототехники от Physical Intelligence, представленная в реализации LeRobot. Модель дообучена на основе google/paligemma-3b-pt-224 и совместно обучалась на демонстрациях роботов и крупномасштабных мультимодальных данных, чтобы обобщать инструкции на новые условия реального мира и выполнять длительные задачи. Модель принимает изображения с нескольких камер, данные о состоянии робота и необязательную инструкцию на естественном языке, а выдаёт непрерывные действия. В этой версии доступна голова действий на основе flow matching; модель предназначена прежде всего для дообучения под конкретную платформу и сценарий. README описывает работу с LeRobot и примеры записи и оценки задач манипуляции. Для использования требуется робототехнический стек LeRobot и соответствующие датчики и исполнительные механизмы. В этой публикации не включены некоторые компоненты исходной работы, в том числе предсказание подзадач, токенизация действий и обучение с подкреплением. Лицензия указана как Gemma.

surgeonwz/plant-village — модель классификации изображений, дообученная на базе Swin-Tiny от Microsoft. Она предназначена для распознавания категорий на изображениях из набора Plant Village. В архитектуре используется Swin Transformer; модель содержит 33 млн параметров и сохранена в формате PyTorch. На указанной в карточке оценочной выборке модель достигла точности 0,9859 при значении функции потерь 0,0511. Эти результаты относятся только к данной выборке и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; ONNX-файл можно использовать для просмотра игры агента через браузер и продолжения обучения средствами ML-Agents. Модель относится к обучению с подкреплением и принимает наблюдения среды, выдавая действия агента. Данные о лицензии и конкретном составе наблюдений в карточке не приведены.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в соответствующей игровой среде, наблюдения за его поведением и продолжения обучения через ML-Agents. В репозитории указана версия в формате ONNX; метаданные относят модель к задачам обучения с подкреплением. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO, созданная для игры Huggy с помощью библиотеки Unity ML-Agents. Она принимает наблюдения игрового окружения и выдаёт действия агента для управления персонажем. Модель распространяется в формате ONNX; её можно использовать для запуска агента в совместимом окружении ML-Agents или продолжения обучения. В карточке не приведены сведения о лицензии, размере модели и поддерживаемых естественных языках.

Pythia-12B-v0 — англоязычная авторегрессионная языковая модель на базе Transformer, разработанная EleutherAI как часть набора Pythia Scaling Suite. Она предназначена прежде всего для научных экспериментов над поведением, возможностями и ограничениями больших языковых моделей, особенно для исследований интерпретируемости и анализа изменений в ходе обучения. Для каждой модели набора доступны 143 промежуточных контрольных точки. Модель построена на архитектуре GPT-NeoX и содержит 15,4 млрд параметров. Она обучена на английской версии корпуса The Pile без глобальной дедупликации и принимает текст, предсказывая следующий токен; контекст составляет 2048 токенов. Модель совместима с библиотекой GPT-NeoX и форматом PyTorch. Лицензия — Apache 2.0. Pythia-12B-v0 не проходила настройку для диалогов и пользовательских инструкций, поэтому не рассчитана на роль чат-бота или непосредственное развёртывание для взаимодействия с людьми. Генерация может быть фактически неверной или содержать оскорбительные и предвзятые высказывания; результаты требуют проверки. Модель предназначена для английского языка и не подходит для перевода или генерации на других языках.

Pythia-1B — англоязычная авторегрессионная языковая модель семейства Pythia, разработанная EleutherAI для научного изучения поведения, возможностей и ограничений больших языковых моделей, в частности для исследований интерпретируемости. Это плотный Transformer GPT-NeoX с 1,2 млрд параметров и контекстом 2048 токенов; модель обучена предсказывать следующий токен на английских текстах набора The Pile без предварительной дедупликации. Модель подходит для контролируемых экспериментов с генерацией текста и анализа промежуточных этапов обучения: для каждого размера Pythia опубликованы 143 контрольные точки. Pythia-1B не настраивалась для следования инструкциям, диалогов или прикладных сценариев и не предназначена для непосредственного взаимодействия с пользователями. Генерация может быть фактически неверной, содержать нежелательные или предвзятые высказывания; модель не подходит для перевода и генерации на других языках. Лицензия Apache 2.0 разрешает использование и дообучение при соблюдении её условий.

Pythia-2.8B — англоязычная трансформерная языковая модель EleutherAI из серии Pythia Scaling Suite, созданной для контролируемых научных экспериментов по изучению поведения, возможностей и ограничений больших языковых моделей, особенно для исследований интерпретируемости. Это плотная авторегрессионная модель архитектуры GPT-NeoX с 3,5 млрд параметров, обученная на корпусе The Pile; контекст составляет 2048 токенов. Для серии доступны многочисленные промежуточные контрольные точки, что позволяет исследовать изменения модели в ходе обучения. Модель продолжает текст по заданному текстовому контексту и подходит для экспериментов с генерацией и анализом поведения языковых моделей. Она не дообучена для следования инструкциям, диалогов с пользователями или типичных прикладных сценариев, а также не предназначена для использования в готовых продуктах. Генерации могут быть фактически неверными, оскорбительными или отражать смещения данных The Pile; модель рассчитана на английский и не подходит для перевода или генерации на других языках. Лицензия — Apache 2.0.

pythia-31m-simplewiki-2048 — небольшая авторегрессионная языковая модель на архитектуре GPT-NeoX, созданная pszemraj. Модель инициализирована случайными весами по конфигурации EleutherAI/pythia-31m и обучена в течение трёх эпох на наборе pszemraj/simple_wikipedia_LM. В репозитории указаны 19,2 млн параметров, контекст до 2048 токенов и формат Safetensors. Модель предназначена как базовая точка сравнения для экспериментов с генерацией текста, в частности с текстами на основе Simple Wikipedia. В README приведены результаты оценки: loss 3,6874 и accuracy 0,4105; более высоких показателей качества или специализированных сценариев карточка не заявляет. Лицензия — Apache-2.0.

Карточка модели Ysydy/qwen2.5-jailbreak на Hugging Face совпадает с карточкой zemelee/qwen2.5-jailbreak, поэтому описание составлено по ней. zemelee разработал Qwen2.5-jailbreak — модель генерации текста на базе Qwen/Qwen2.5-3B-Instruct, дообученную методом LoRA на собственном наборе диалогов для исследования поведения обхода ограничений. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров; она принимает текст и поддерживает диалоговый режим. Максимальная длина контекста — 32 768 токенов. Модель предназначена для экспериментального изучения безопасности и выравнивания больших языковых моделей, включая анализ ответов в сценариях без ограничений. Карточка предупреждает, что модель может генерировать вредный, незаконный или неэтичный контент и не рекомендует развёртывание в публичных коммерческих сервисах. Датасет обучения не опубликован, а в README приведена настройка лишь на 100 шагов, поэтому качество и обобщающую способность нельзя оценить по имеющимся данным. Лицензия — Apache-2.0.

Карточка модели HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-006 на Hugging Face совпадает с карточкой HYU-NLP-EVAL/qwen3-1.7b-rar-medicine-static-r0-step-000, поэтому описание составлено по ней. Это экспериментальный контрольный чекпойнт модели Qwen3-1.7B, созданный группой HYU-NLP-EVAL на основе Qwen/Qwen3-1.7B. Его обучали методом GRPO с фиксированной начальной рубрикой вознаграждения для эксперимента по изучению насыщения вознаграждения и устаревания статических рубрик; данный вариант относится к домену медицины и шагу 0. Репозиторий содержит веса BF16 в формате safetensors, конфигурацию, токенизатор и шаблон чата; модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Чекпойнт предназначен для исследовательского анализа оптимизации языковой политики и сопоставления контрольных точек, а также поддерживает генерацию текста и диалоговый режим. Он не является медицинским устройством и не предназначен для постановки диагноза или замены профессиональной медицинской консультации. Лицензия — Apache-2.0.

yavuz-ai выпустила qwen3-4b-cai-sft — исследовательскую модель на базе Qwen3-4B-Instruct-2507, дообученную методом LoRA SFT и затем объединённую с базовой моделью. Она обучалась на самостоятельно критикованных и исправленных ответах на red-team-запросы, сформированных с опорой на пятипринципную конституцию из работы Constitutional AI и опубликованных материалов Anthropic. Модель предназначена для воспроизведения эксперимента Constitutional AI и анализа компромисса между безопасностью и избыточным отказом. В описанной оценке доля отказов на безобидные запросы выросла с 0,327 до 0,431, а показатель безопасности остался примерно на уровне 1,0. Это контрольная ступень исследовательского эксперимента, а не универсальный помощник. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров; базовая модель поддерживает контекст до 262 144 токенов. Вход и выход — текст, диалоговый режим поддерживается. Модель распространяется под лицензией Apache-2.0. Результаты ограничены описанным экспериментом: повышенная склонность к отказам на допустимые запросы делает её неподходящей для использования как обычного универсального ассистента; качество за пределами приведённой оценки в карточке не характеризуется.

Fwerkor/Qwen3-4B-Diffusion-Base — исследовательский чекпойнт плотной языковой модели Qwen3, преобразованный из Qwen/Qwen3-4B-Base в основу для генерации текста методом masked diffusion. Он использует двунаправленное внимание, специальный токен маски и реализацию генерации с учётом диффузии; модель содержит около 3,7 млрд параметров по метаданным, а её базовая конфигурация рассчитана на контекст до 32 768 токенов. В README указан размер 4,41 млрд параметров и этап обучения Stage 0. Модель предназначена для исследований диффузионных языковых моделей, воспроизведения экспериментов и абляций, а также для инициализации обучения CID Stage A и экспериментов с декодированием. Она поддерживает генерацию текста и заполнение масок; обучалась на смеси веб-текста, китайского корпуса, кода и математических данных. Это начальный чекпойнт до последующих этапов обучения CID, поэтому его потери сами по себе не подтверждают качество на прикладных задачах. Для загрузки README указывает Transformers и remote code. Лицензия — Apache 2.0.

HYU-NLP-EVAL — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это ранний чекпойнт первого шага серии RaR-Medicine OnlineRubrics-Every; он предназначен для инференса и содержит веса в формате BF16. Карточка связывает модель с медицинским набором OnlineRubrics, поэтому она может быть полезна для экспериментов с генерацией ответов и оцениванием в медицинских сценариях. Модель принимает текст и генерирует текст; метаданные указывают диалоговый режим и контекст до 262 144 токенов. В README заявлено только исследовательское использование. Лицензия Apache-2.0.

Это плотная языковая модель Qwen3, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Представленный чекпойнт относится к серии RaR-Medicine OnlineRubrics-Every; карточка указывает запуск обучения phase1-online-rubrics-medicine-full-dense-20260919-seed11 и шаг 32. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и предназначена для генерации текста в диалоговом режиме. Она принимает текст и выдаёт текст; контекст — до 262 144 токенов. Медицинская тематика и название серии указывают на исследовательскую оценку ответов по онлайн-рубрикам в медицинском контексте. README описывает локальный чекпойнт в BF16 и файлы параметров veRL. Карточка не сообщает результаты оценки или подробности целевого формата ответов, поэтому качество для клинических решений не установлено. Лицензия — Apache-2.0; README ограничивает применение исследовательскими целями.

Модель HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-dense-seed11-step-051 — плотный чекпойнт Qwen3, дообученный HYU-NLP-EVAL на базовой модели Qwen/Qwen3-4B-Instruct-2507. Это промежуточный чекпойнт шага 51 эксперимента RaR-Medicine OnlineRubrics-Every, предназначенный для генерации текста и диалогового взаимодействия в медицинском сценарии. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 262 144 токенов. В репозитории размещены веса BF16 для инференса и файлы исходного чекпойнта veRL. Модель опубликована по лицензии Apache-2.0. Карточка помечает её как предназначенную только для исследовательского использования; это ранний экспериментальный чекпойнт, и его пригодность для клинических решений или медицинских рекомендаций не подтверждена.

Это исследовательский контрольный чекпойнт RaR-Medicine, разработанный HYU-NLP-EVAL на основе Qwen3-4B-Instruct-2507. Он предназначен для генерации текста и диалогов в медицинском сценарии; в README указано, что это статический matched-dense чекпойнт шага 11. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Чекпойнт сохранён в BF16 для инференса; в каталоге также находятся файлы исходного чекпойнта veRL с параметрами модели. Модель лицензирована по Apache-2.0. README помечает её как предназначенную только для исследований; отдельные медицинские возможности и качество ответов не описаны.

Это промежуточный исследовательский чекпойнт Qwen3-4B-Instruct-2507, разработанный HYU-NLP-EVAL и обученный методом GRPO с фиксированной рубрикой на наборе RaR-Medicine. Версия соответствует 36 обновлениям оптимизатора из запланированных 48; обучение проводилось на 1 500 медицинских запросах с seed 11, режим рассуждений отключён. Модель представляет собой плотную авторегрессионную языковую модель с 3,7 млрд параметров и контекстом до 262 144 токенов. Чекпойнт предназначен для исследовательских экспериментов с генерацией ответов на медицинские запросы и оценкой обучения по статической рубрике. Корневые файлы — экспорт BF16 для Transformers; исходные веса и конфигурация находятся в original_checkpoint. Состояние оптимизатора и данные для возобновления обучения не опубликованы. Карточка прямо указывает, что это не клиническая модель и не содержит заявлений о медицинских возможностях или безопасности. Лицензия — Apache-2.0.

tiny-random/qwen3.5 — экспериментальная модель, предназначенная для отладки. Она случайно инициализирована на основе конфигурации Qwen/Qwen3.5-27B; разработчик репозитория в README не указан. Модель реализована в Transformers как Qwen3_5ForConditionalGeneration и поддерживает запуск через vLLM, SGLang и Transformers. Архитектура включает текстовую и визуальную части, поэтому модель рассчитана на мультимодальные сценарии, включая обработку изображений и текста. В конфигурации использованы 4 текстовых слоя, чередующиеся механизмы linear attention и full attention, 8 attention heads, 4 key-value heads, hidden size 8, а также компактный vision-модуль с 2 блоками и hidden size 64. Заявлена поддержка multi-token prediction, reasoning parser и tool-call parser для совместимых серверов. Главное преимущество модели — очень малый размер файла весов, около 8,8 МБ, что удобно для тестирования интеграций, конфигураций и механизмов инференса. Однако веса случайно инициализированы, поэтому модель не предназначена для получения качественных ответов, решения прикладных задач или полноценного использования как обученная Qwen-модель. Языки, размер контекстного окна и точные модальные характеристики в README не указаны. Лицензия также не указана.

Это исследовательский базовый чекпойнт M_orig для экспериментов RAQUEL по машинному забыванию, созданный Hyukkyu до этапа unlearning. Модель дообучена методом LoRA на Qwen/Qwen3-8B-Base: на парах вопросов и ответов из набора RAQUEL2-ICLR для MUSE-News, без исходных документов. В репозитории доступны объединённые веса BF16 и отдельный адаптер FP32; архитектура — плотная авторегрессионная Qwen3ForCausalLM примерно на 7,6 млрд параметров с контекстом 32 768 токенов. Модель предназначена для генерации ответов на вопросы в формате «Question: …\nAnswer:» и служит исходным baseline для сравнений в экспериментах машинного забывания. Карточка приводит высокую точность на forget и retain QA-разбиениях, но это результат оценки на конкретном наборе RAQUEL2, а не гарантия качества для других запросов. Модель не обучалась с шаблоном чата. Поддерживается английский язык; лицензия — Apache-2.0.

Qwen3-8B-Base-RAQUEL-WMDP-M-orig-LoRA-v1 — дообученная Hyukkyu модель на основе Qwen/Qwen3-8B-Base для экспериментов RAQUEL по машинному забыванию знаний из набора WMDP. Это базовый вариант M_orig, а не модель после забывания: она обучена на 2973 парах «вопрос—ответ» из RAQUEL2-ICLR, включая вопросы для забывания и сохранения знаний, без документов. В репозитории доступны объединённые веса BF16 для оценки и адаптер LoRA FP32. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, 7,6 млрд параметров и контекст до 32 768 токенов. Она принимает текстовый вопрос в формате `Question: {question}\nAnswer:` и генерирует текстовый ответ; обучение проводилось только по ответной части, без использования шаблона чата. В опубликованной оценке M_orig достиг 99,8% точности на исходных вопросах Forget, 73,2% на перефразированных вопросах Forget и 99,2% на исходных вопросах Retain. Модель предназначена прежде всего для воспроизведения и оценки экспериментов по забыванию знаний WMDP, а не для безопасного применения как unlearning-модель: исходный вариант сохраняет ответы на вопросы Forget. Лицензия — Apache-2.0.

yyuan244 выпустил дообученную за одну эпоху версию Qwen3-8B для спекулятивного рассуждения. Модель генерирует продолжение решения и может передать отдельный фрагмент на параллельную проверку: если результат проверки совпадает с предположением, рассуждение продолжается, а при несовпадении модель получает фактический результат и возобновляет решение. Для такого режима рантайм должен распознавать специальные токены передачи управления и останова. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, форматом safetensors и контекстом до 40 960 токенов. Карточка демонстрирует её на математических задачах: в описанной оценке MathEval итоговая точность составила 66,97% против 68,78% у базовой Qwen3-8B. В этом эксперименте критический путь занял на 2,3% больше токенов, чем последовательное решение базовой моделью, поэтому выигрыш во времени не подтверждён. Модель предназначена для экспериментов с параллельной проверкой промежуточных шагов в математических рассуждениях; это не готовый механизм ускорения без совместимого рантайма. Для вывода требуется отключить пропуск специальных токенов и настроить токен останова согласно README. Модель дообучена на наборе polaris-easy2k-qwen3-8b-speculative-sft и распространяется по лицензии Apache-2.0.

siyan824/reloc3r-224 — модель Reloc3r для визуальной локализации по изображениям. Она предназначена для оценки относительного положения камеры и связана с работой «Reloc3r: Large-Scale Training of Relative Camera Pose Regression for Generalizable, Fast, and Accurate Visual Localization», представленной на CVPR 2025. Репозиторий содержит веса в формате safetensors. Модель подходит для задач визуальной локализации, где нужно оценить взаимное положение камеры по визуальным данным. README не содержит описания архитектуры, размера, поддерживаемых сценариев или условий использования; метаданные не указывают лицензию.

OEL + ReSAIL — Qwen3-8B — ALFWorld — Cycle 3 — это опубликованный чекпойнт языкового агента, разработанный Shengjie Jin и дообученный на базе Qwen/Qwen3-8B для задач в текстовой среде ALFWorld. Модель использует архитектуру Qwen3 с плотной причинно-языковой сетью примерно на 7,6 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы и действия агента. Длина контекста составляет 40 960 токенов. При обучении применён метод OEL + ReSAIL: итеративная самодистилляция агента с балансировкой траекторий и сохранением привилегированной информации. В карточке сообщаются средние результаты 82,8% на ALFWorld ID и 78,4% на ALFWorld OOD; усреднение выполнено по трём сидами декодирования, а не по независимым запускам обучения. Режим рассуждений отключался в текстовых экспериментах. Модель предназначена прежде всего для следования инструкциям и выполнения задач в ALFWorld, а не позиционируется как универсальный чат-агент. Распространяется по лицензии Apache-2.0.