К содержимому
Языковые модели

Qwen3-4B-ALFWorld-GRPO-step200

агентская модель для текстовых сред

2 мин чтенияобновлено

Полные веса языковой модели на базе Qwen3-4B (4,41 млрд параметров), дообученной автором PassionPrc для пошагового выполнения задач в интерактивной текстовой среде ALFWorld. Вместо стандартного обучения с учителем здесь применили алгоритм GRPO (обучение с подкреплением на основе групповых оценок ответов) без отдельной модели наград и без демонстраций от экспертов — модель училась на прямых откликах среды в формате ReAct. На выходе она генерирует текстовые действия, которые затем передаются во внешний цикл агента. По сравнению с базовой Qwen3-4B, дообученная версия почти в три раза улучшила результат на тестовом наборе задач ALFWorld. Подойдёт разработчикам и исследователям автономных ИИ-агентов, работающих со средами AgentGym и VERL.

Ключевые особенности

  • Полнопараметрический GRPO: релиз содержит полные веса модели в формате BF16 (два шарда safetensors), а не LoRA-адаптер.
  • Работа без режима размышлений: нативный thinking mode в Qwen3 при обучении был отключён, хотя протокол действий допускает обычные текстовые блоки Thought:.
  • Обучение на 25 600 эпизодах: 200 шагов по 16 задач из пула в 2 420 ID и 8 прогонов на каждую задачу без кросс-доменного синтетического SFT.
  • Длинные многоходовые сессии: при обучении допускалось до 30 шагов взаимодействия со средой, до 512 новых токенов за ход и до 8 192 токенов на эпизод.

Что можно сделать

  • Запустить в цикле ReAct-агента: подключить модель к симулятору ALFWorld через драйвер VERL и окружения AgentGym для выполнения многошаговых инструкций.
  • Использовать как базу для экспериментов с RL: продолжить обучение с подкреплением, так как автор остановил процесс на бюджете в 200 шагов, а не из-за исчерпания потенциала модели.
  • Сравнивать агентские пайплайны: применять чекпоинт как готовый ориентир при тестировании текстовых агентов без нативного thinking mode.

Пример

model_id = "PassionPrc/Qwen3-4B-ALFWorld-GRPO-step200"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")
messages = [{"role": "user", "content": observation_with_task_and_action_instructions}]
input_ids = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, enable_thinking=False, return_tensors="pt"
).to(model.device)
output = model.generate(input_ids, max_new_tokens=512)
ПодробнееНа тестовом наборе AgentGym (200 задач из сплита ALFWorld valid_train, лимит 20 ходов, усреднение по 8 прогонам) модель набрала 89,1875 балла против 30,0625 у исходной Qwen3-4B.
Оценка проводилась на сплите valid_train (не unseen) и с отключённым enable_thinking — работа с включённым режимом размышлений не валидировалась.
Веса сами по себе не включают среду: для работы нужен внешний цикл агента, который парсит действия и возвращает наблюдения из ALFWorld.
Параметры обучения: learning rate 1e-6, коэффициент KL-loss 0.001, seed 42; лицензия Apache-2.0.
Обсудить Telegram 0 55

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.2 GB · готовые файлы9.9 GB
  • FP8 / INT8рекомендуемвеса 4.1 GB5.8 GB
  • 4-bitвеса 2.3 GB4.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 3080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # PassionPrc/Qwen3-4B-ALFWorld-GRPO-step200 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve PassionPrc/Qwen3-4B-ALFWorld-GRPO-step200 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3-4B-ALFWorld-GRPO-step200
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3-4B
  1. Qwen3-4B-Baseоснова семьи
  2. Qwen3-4B
  3. Qwen3-4B-ALFWorld-GRPO-step200

Новые посты про версии Qwen3-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

PassionPrc/Qwen3-4B-ALFWorld-GRPO-step200
Автор
PassionPrc
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

550

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

HITCH

HITCH