AppWorld native ReAct agent
LoRA для Qwen3-4B, которая учит агента вызывать API
2 мин чтенияобновлено
Набор от PTTREP — это 15 LoRA-адаптеров для Qwen3-4B, которые превращают модель в ReAct-агента для бенчмарка AppWorld: он работает в Python REPL, ищет API через apis.api_docs.* и решает задачи до 50 шагов. Адаптеры обучены на успешных эпизодах учителя gpt-5.4 с оригинальной документацией AppWorld. Каждый адаптер проверяли на задачах, которых не было в его обучении: 5 фолдов × 3 сида, ни один адаптер не видел все 147 задач. Это контрольная ветка исследования о том, как формат документации инструментов влияет на обучение агента. Пригодится исследователям и разработчикам tool-агентов, которым нужен воспроизводимый baseline для AppWorld.
Ключевые особенности
- 15 LoRA-адаптеров: 5 scenario-level фолдов × 3 сида, каждый обучен без своей отложенной группы задач.
- Учитель — gpt-5.4 (medium reasoning); 141 успешный эпизод прошёл replay-проверки.
- LoRA r=16, alpha=32, dropout 0.05 на всех attention и MLP projections; 3 эпохи, max length 40 960 токенов, thinking отключён.
- Pooled TGC: 22.2% на standard, 25.4% на NL, 23.1% на STRUCT, 27.2% на CODE; у нетренированной Qwen3-4B около 3%.
- Разброс по (fold, seed) огромный — от 3% до 50%, поэтому сравнивать адаптеры можно только внутри одного фолда.
Что можно сделать
- Использовать как baseline для AppWorld ReAct-агента и сравнивать, как NL, JSON и Python stubs в документации влияют на успех.
- Запустить адаптер через vLLM с
--enable-lora --max-lora-rank 16 --lora-modules ckpt=<local folder>для своих экспериментов. - Проверять адаптеры на отложенных задачах из
folds.jsonи смотреть устойчивость между сидами. - Разбирать поведение агента в Python REPL: discovery API, выбор инструмента и формат наблюдений.
Пример
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
repo, sub = "PTTREP/appworld-native-standard-qwen3-4b", "fold0/seed0"
tok = AutoTokenizer.from_pretrained(repo, subfolder=sub)
base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-4B", torch_dtype="bfloat16")
model = PeftModel.from_pretrained(base, repo, subfolder=sub)
Подробнее
Pooled TGC: 22.2% standard, 25.4% NL, 23.1% STRUCT, 27.2% CODE.Для сравнения: нетренированная Qwen3-4B — около 3%, та же схема на NL/STRUCT/CODE — около 11% на своих форматах.
Нужна база Qwen3-4B, bf16 и max length 40 960; для vLLM — max-lora-rank 16.
Адаптеры ждут конкретный ReAct prompt и формат наблюдений AppWorld; код и дизайн — в приватной ветке GitHub.










Комментарии