Рецепт для переходу Qwen3 1.7B у модель DeepResearch Що означає для чогось маленького глибоко мислити? Зустрічайте Люсі, пост-навчену Qwen3-1.7B як модель DeepResearch, засновану на верифікаторах @willccbb. Основні винагороди на основі правил: - Правильність відповіді Ми перевіряємо, чи містить остаточна відповідь буквально відповідь. Цей збіг підрядків є дешевим і дозволяє уникнути виклику більшого судді LLM. - Співвідношення відвідувань/пошукових запитів Якщо агент відвідує хоча б стільки сторінок, скільки видає пошукові запити, він отримує ((visit_search_ratio - 1) / 4) ** 0,25. Якщо він шукає більше, ніж відвідує, оцінка становить -0,5. Формат / Anti Reward-Hacking Rewarding: - Успішне виконання інструменту Кожен виклик API, який повертається без помилки, зараховується. Нагорода становить (successful_calls * unique_tools_used) / total_call_attempts. - Ефективність мислення Звичайний штраф із центром у 70 токенів перешкоджає нескінченному ланцюжку думок між дзвінками інструментів, водночас дозволяючи достатньо токенів для планування. Так Qwen3 1.7B навчився шукати, відвідувати та синтезувати інформацію. Маленькі моделі також можуть проводити глибокі дослідження!