面向代码智能体的PPO训练 · RL模型

基于 Qwen3-8B 的 Kwai-Klear/Klear-AgentForge-8B-SFT,使用带过程奖励的 PPO 训练得到。本仓库发布最终选定的 step 17 完整合并推理权重、配置、tokenizer 和 chat template。

SWE-bench 500 题效果

  • 复现 SFT 模型:39.8%(199/500)
  • 最终 RL 模型:42.8%(214/500),提升 3.0 个百分点。

模型用于 mini-swe-agent-plus 的长程代码任务。训练样本见公开数据集,价值模型见Critic 模型,项目介绍见Space。

Downloads last month
-
Safetensors
Model size
8B params
Tensor type
BF16
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for sisizhang/klear-agentforge-8b-ppo-step17

Finetuned
(2)
this model

Dataset used to train sisizhang/klear-agentforge-8b-ppo-step17

Space using sisizhang/klear-agentforge-8b-ppo-step17 1