Qwen3-30B-A3B-OpenClaw-RL-iter335

把 Qwen/Qwen3-30B-A3B (vanilla, 30B total / 3B active MoE) 用 HansBug/OpenClaw-RL 的训练框架做 GRPO outcome-only RL（dense pass-rate reward，无 PRM、无 process reward）跑出来的 best 中间 checkpoint，对应 wandb run b0il0mq4 的 rollout 335 (megatron iteration 335)。

在 terminal-bench v0.1.x 66 个 OOD task 上把 base Qwen3-30B-A3B 的 pass@1 从 0.0606 推到 0.0808 (+33%)、pass@3 从 0.1212 推到 0.1515 (+25%)，是这次 30B fresh run 训练中唯一明确"超越自身 base"的 ckpt。

完全 drop-in 兼容：config / generation_config / tokenizer 全部跟上游 Qwen/Qwen3-30B-A3B 字节级一致；任何能跑 Qwen3-30B-A3B 的工具链（HF transformers、vLLM、sglang、ollama、llama.cpp 转 GGUF 等）一行都不用改。

完整的训练 + eval 详细分析见 HansBug/OpenClaw-RL issue #14。

---

目录

1. 快速开始
2. 模型从哪来
3. 训练设置
4. 训练曲线
5. 评测结果
6. 为什么是 iter_335 而不是最新 ckpt
7. 推理时的 on-the-wire 协议
8. 已知限制
9. 复现 / 推理工具
10. 引用 / 致谢

---

快速开始

用 HF transformers

from transformers import AutoTokenizer, AutoModelForCausalLM

tok = AutoTokenizer.from_pretrained("HansBug/Qwen3-30B-A3B-OpenClaw-RL-iter335")
model = AutoModelForCausalLM.from_pretrained(
    "HansBug/Qwen3-30B-A3B-OpenClaw-RL-iter335",
    torch_dtype="bfloat16",
    device_map="auto",
)

messages = [
    {"role": "user", "content": "Write a one-line bash command to recursively count *.py files under /usr/lib."}
]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(text, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256, temperature=0.2)
print(tok.decode(out[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

用 sglang（推荐，配 tool-call 支持 + MoE 加速）

python -m sglang.launch_server \
    --model-path HansBug/Qwen3-30B-A3B-OpenClaw-RL-iter335 \
    --served-model-name qwen3-30b-rl-iter335 \
    --tp 4 --port 30000 \
    --mem-fraction-static 0.85 \
    --tool-call-parser qwen \
    --disable-custom-all-reduce

跟 base Qwen3-30B-A3B 一样的启动参数。TP=4 时 30B MoE 单 rank ~15 GB params + ~120 GB kv cache，放 4× 80 GB GPU 或 4× 143 GB GPU 都没问题。--disable-custom-all-reduce 是 issue #8 已知 Hopper bug 的兜底 flag，保留即可。--tool-call-parser qwen（或 qwen25）把模型的 <tool_call>{...}</tool_call> 还原成 OpenAI 结构化 tool_calls，这正是训练时 rollouts 用的 parser。

用 vLLM

vllm serve HansBug/Qwen3-30B-A3B-OpenClaw-RL-iter335 \
    --tensor-parallel-size 4 \
    --enable-auto-tool-choice --tool-call-parser hermes

用 oc-repl 直接交互（端到端 demo）

HansBug/oc-repl 是一个针对这个 family 量身写的 Codex 风格 REPL：

pip install git+https://github.com/HansBug/oc-repl

# 起一个 sandbox 容器（任何 ubuntu/python image 都行）
docker run -d --name oc-sandbox -w /app ubuntu:24.04 sleep infinity

# 启动交互式 REPL
oc-repl --sandbox docker:oc-sandbox \
        --api-base http://127.0.0.1:30000/v1 \
        --model qwen3-30b-rl-iter335

oc-repl 默认 --protocol camel-terminal-toolkit 对齐训练分布，详见仓库 README。

---

模型从哪来

Qwen3-30B-A3B-OpenClaw-RL-iter335 = Qwen3-30B-A3B (vanilla, 不是 Coder-30B-A3B-Instruct，也不是 30B-A3B-Instruct-2507) + 335 个 RL rollout 的 GRPO outcome-only 训练，rollout 在 SETA terminal env pool 提供的 1376 个 terminal task 上。每个 task 是一个真实的 Linux shell 任务（修脚本、解 base64、起 server、跑 pytest…），在隔离 docker 容器里跑，agent 通过 camel.toolkits.TerminalToolkit 暴露的 4 个工具操作 shell。

	值
基座	Qwen/Qwen3-30B-A3B（vanilla MoE，30B total / 3B active，128 expert / topk=8 / 48 layer / hidden 2048）
训练框架	HansBug/OpenClaw-RL (Megatron + slime + sglang rollout)
Agent harness	camel-ai ChatAgent + TerminalToolkit
数据	seta_env 1376 task pool（含 terminal-bench v0.1.x 86 task 子集）
算法	GRPO outcome-only，dense pass-rate reward
训练 rollout 数	335 rollout（约 4× n_samples × prompt 数）
训练硬件	8× NVIDIA H200，actor 4×TP + 4×EP + ETP=1，rollout 4×TP
训练时长	约 4 天到 iter_335 完成（完整 fresh run 直到 iter_367 共 ~5.5 天 / 367 rollout）
Wandb	hansbug/openclaw-terminal-rl/runs/b0il0mq4
Group	qwen3-30b-a3b-vanilla-fresh-run1

为什么是 vanilla 而不是 Coder-30B-A3B-Instruct？ 初次用 Coder-30B-A3B-Instruct 跑了 1114 个 rollout 全 fail —— 它的 chat_template.jinja 用 tool_call.arguments|items 要求 arguments 是 dict，但 slime/sglang 走 OpenAI 协议把 arguments 序列化成 JSON string → jinja2 TypeError。vanilla Qwen3-30B-A3B 的 chat_template 与 8B 字节级相同，整条 slime + terminus-2 + harbor 链路 0 修改通过。详见 HansBug/OpenClaw-RL issue #14 §1.1。

---

训练设置

完整启动命令见 run_qwen3_30b_a3b_experiment.sh。关键超参（与 8B run-3 算法侧完全相同，仅 MoE 并行差异）：

# GRPO 算法 (同 8B run-3, issue #4)
--advantage-estimator grpo
--use-kl-loss --kl-loss-coef 0.01 --kl-loss-type k3
--dynamic_history

# Optimizer (low LR + Adam beta2=0.98)
--optimizer adam --lr 1e-6 --lr-decay-style constant
--weight-decay 0.1 --adam-beta1 0.9 --adam-beta2 0.98

# Rollout (同 8B)
--rollout-batch-size 16
--n-samples-per-prompt 8           # GRPO group size = 8
--num-steps-per-rollout 2
--rollout-temperature 1
--rollout-max-response-len 8192
--rollout-max-context-len 16384

# Megatron — MoE 并行（与 8B 不同）
--tensor-model-parallel-size 4
--expert-model-parallel-size 4     # 128 expert 分到 4 张 actor 卡，每卡 32 expert
--expert-tensor-parallel-size 1
--sequence-parallel
--recompute-granularity full

# Save / freq
--save-interval 16                  # save 每 16 rollout（≈ 5.3h/save）
--num-rollout 2000                  # 训练目标（实际跑到 367 停）

# Rollout agent + tool-call parser
--custom-config-path configs/rollout_qwen3.yaml   # tool_call_parser: qwen25
                                                  # max_iteration: 10

Reward signal：dense pass-rate, outcome-only —— 每个 rollout 跑完后由任务自带的 run-tests.sh 在 sandbox 里跑 pytest，reward = passed / total_tests ∈ [0, 1]，再线性变换到 score = 2·reward − 1 ∈ [-1, +1] 喂给 GRPO；没有 PRM / process reward，整个 episode 共用一个标量。

max_iteration: 10：训练时 agent loop 上限 10 轮。

---

训练曲线

来自 wandb run b0il0mq4：

六个子图说明：

子图	解读
raw_reward	rollout 阶段 reward 均值。-0.07 (rollout 0-49) → +0.21 (rollout 320-335) 单调上升。穿越 0 出现在 rollout 50 左右，即模型从"过的 test < 一半"转向"过的 test > 一半"。iter_335 这个 ckpt 对应的训练窗口 raw_reward 均值 +0.21，比 base 提升 ~0.28。
response_length	每轮 assistant 输出的平均 token 数。从 217 涨到 413，单调上升、没有 plateau——是 30B 远未到达容量上限的关键信号（vs 8B run-3 后期横盘 300-400）。
grad_norm	梯度幅度（log 尺度）。median 0.30-0.50 健康，期间 5 次单步 spike（最大 step 38 grad=1.36e8 / kl=5.6e5），全部被 megatron --clip-grad 1.0 兜底，下一步即恢复。
kl_loss	K3 KL estimator。median 0.05-0.15 健康，远低于 0.5 阈值。spike 与 grad_norm 同步出现，clip-grad 同样吸收。
entropy_loss	0.13-0.17 持续，无 collapse。
pg_clipfrac	PPO clip 比例 ~0.6%（合理）。

详细的训练曲线、异常事件分析、vs 8B run-3 叠加图见 HansBug/OpenClaw-RL issue #14。

---

评测结果

在 terminal-bench v0.1.x（66-task harbor 子集）上的 pass@1 / pass@3

iter_335 这个 ckpt 在 OOD eval（agent harness 切到 harbor run --agent terminus-2，与 issue #8 8B run-3 同协议）上的成绩：

Model	pass@1	pass@3	unique solved (/66)	solved trials (/198)
qwen3-30b-a3b-base (vanilla)	0.0606	0.1212	8	12
**qwen3-30b-a3b-OpenClaw-RL-iter335**（本 ckpt）	0.0808 ✨	0.1515 ✨	10	16
qwen3-30b-a3b-OpenClaw-RL-iter351 (later)	0.0556 ⚠	0.0758 ⚠	5	11
qwen3-30b-a3b-OpenClaw-RL-iter367 (final)	0.0657	0.1212	8	13

iter_335 是这次 fresh run 中唯一 pass@1 / pass@3 / unique_solved 三项全部超过 base 的 ckpt。iter_351 在中间出现明显回落（甚至跌穿 base），iter_367 部分恢复但仍未回到 iter_335 峰。详细分析见 issue #14 eval comment。

vs 8B run-3（issue #8 同 66-task 标尺）

Model	pass@1	pass@3	体量	备注
Qwen3-30B-A3B-OpenClaw-RL-iter335（本 ckpt）	0.081	0.152	30B / 3B active MoE	本 ckpt
Qwen3-30B-A3B (vanilla base)	0.061	0.121	30B / 3B active	训练起点
Qwen3-8B-OpenClaw-RL-iter215 (issue #8)	0.056	0.091	8B dense	8B run-3 OOD 峰
Qwen3-8B (base)	0.020	0.030	8B dense	8B 起点
Qwen3-235B-A22B + Terminus 1	0.066	n/a	235B / 22B active	TB 官方 80-task
DeepSeek-R1 + Terminus 1	0.057	n/a	671B / 37B active	TB 官方 80-task
Qwen3-32B + TerminalAgent	0.155	n/a	32B dense	TB 官方 80-task
Claude 4.5 Sonnet	0.645	n/a	闭源	frontier
GPT-5	0.525	n/a	闭源	frontier

注：本 ckpt 跑的是 66-task 子集（harbor migration 失败 20 task 后剩下的可跑部分），与 leaderboard 80-task 全集不可直接横比；但唯一靠谱的同标尺对比是与 issue #8 同样 66 子集的 Qwen3-8B 数字，本 ckpt 的 pass@1 = 0.081 比 Qwen3-8B-iter215 (0.056) 高 **44%**。

任务级别的 OOD 解题分布

14 个 task 在所有 4 个 ckpt × 3 attempt 中至少被解出 1 次，其余 52 task 全部 0 solved（与 issue #8 60/66 全 0 同 pattern）。iter_335 独占解出的 task：csv-to-parquet、path-tracing-reverse、processing-pipeline 2x。

---

为什么是 iter_335 而不是最新 ckpt

完整 30B fresh run 跑到 iter_367 停（rollout 367 ≈ 训练 4.5 天），按 retention daemon 配置仅保留 latest 3 ckpt：iter_335 / iter_351 / iter_367。所有 4 个候选（含 base）都在 TB v0.1.x 跑过 OOD eval，得到的训练→OOD 轨迹是：

ckpt	rollout	in-domain raw_reward (训练侧)	OOD pass@1	训练→OOD 是否对齐？
base	—	—	0.0606	—
iter_335	335	+0.21	0.0808 ✨	✅ 训练 ↑ + OOD ↑
iter_351	351	+0.18（含全局峰 r346 +0.5651）	0.0556	❌ 训练保持高位但 OOD 跌穿 base
iter_367	367	+0.232（最高窗口均值）	0.0657	❌ 训练 ↑ 但 OOD 没跟上

iter_335 是这次训练唯一明确"训练侧 ↑ + OOD ↑"的 ckpt。这是 issue #8 iter215（8B run-3 也在中段 ckpt 拿 OOD 峰，最后回落）同款现象。如果你要拿一个最有可能在新 OOD task 上 work 的 30B fresh-run ckpt，应该用这个 iter_335，不要用最新的 iter_367。

---

推理时的 on-the-wire 协议

训练时这个 ckpt 看到的协议是 camel-ai TerminalToolkit 的 4 工具 OpenAI function-calling（与 Qwen3-8B-OpenClaw-RL-iter215 完全相同），不是 terminal-bench 的 terminus-2 JSON 协议。

文件	说明
terminal-rl/agent/camel_agent.py	rollout agent = camel.agents.ChatAgent 子类
terminal-rl/remote/terminal_env.py	env 在 reset 时把 camel.toolkits.TerminalToolkit 的 4 个工具（shell_exec / shell_view / shell_write_to_process / shell_write_content_to_file）封装成 OpenAI tool schema 喂给 rollout
terminal-rl/configs/rollout_qwen3.yaml	tool_call_parser: qwen25 — sglang 把模型 <tool_call>{...}</tool_call> markup 转回 OpenAI tool_calls

System prompt 是 terminal-rl/agent/camel_agent.py::get_developer_agent_prompt() 在 system='Linux (in Docker)', machine='x86_64', non_think_mode=True 配置下产出，结尾加 /no_think 关闭 qwen3 的 think trace。

如果你想 100% 复刻训练分布在 inference 用这个 ckpt，用 HansBug/oc-repl 的默认 --protocol camel-terminal-toolkit。

---

已知限制

1. 30B 在 OOD 上的 RL 边际收益比 8B 小。本 ckpt vs 30B base：pass@1 +33%；Qwen3-8B-iter215 vs Qwen3-8B base 是 +180%。如果你的目标是 frontier OOD 性能，纯 RL 已经 saturating，需要换 cold-start SFT。这与 issue #11 容量假说 一致。

2. iter_351 / iter_367 的存在说明 RL 训练后期有 OOD 漂移风险。iter_335 是这次训练全 4 ckpt 中唯一 net-positive 的；更晚的 iter_351 反而跌穿 base。如果你打算复现这个训练 pipeline，建议把 ckpt freeze 频率提高，每 50-100 rollout 都做 OOD eval 看 trajectory。

3. 模型不会主动停止 tool_call。训练时 agent loop 由 max_iteration: 10 硬截断 + outcome reward 兜底，inference 时要自己设上限（oc-repl 默认 12 轮）。

4. 复杂多步 task adherence 中等。简单任务（chmod、cat、ls）adherence 满分；多文件 Python 服务器、复杂 awk 这种偶尔会 thinking 太久没产出 tool_call。

5. terminus-2 / terminus-XML 协议是 OOD。模型没在这些协议上 RL 训练过，能不能跑通靠 qwen3 底座的通用指令跟随能力。要复刻训练分布请用 camel TerminalToolkit 协议。

6. 不是 frontier 水平。pass@1 0.081 跟 Qwen3-235B 同水位（甚至略高），但跟 Claude 4.5 / GPT-5 还有 6-8× 差距。这个 ckpt 适合做 RL 训练框架的 baseline / case study / MoE base 上 RL 的对比基准，不适合直接当 production agent 用。

---

复现 / 推理工具

仓库 / 工具	用途
HansBug/OpenClaw-RL	完整的训练框架（slime + Megatron + sglang），含 launch script、配置、agent code
HansBug/oc-repl	针对这个 family ckpt 的 Codex 风格 REPL，支持 4 种推理协议 (camel-terminal-toolkit 默认 = 训练分布字节级复刻)
HansBug/Qwen3-8B-OpenClaw-RL-iter215	同 family 的 8B ckpt（base = Qwen3-8B），用于 same-protocol 同标尺横比
HansBug/Qwen3-8B-OpenClaw-RL-tboverfit-iter311	同 family 的 8B eval-as-train 上界 probe ckpt
HansBug/OpenClaw-RL issue #14	本 ckpt 的完整训练 + eval 报告（118h 训练曲线 + 4 ckpt OOD eval + vs 8B 对比）
HansBug/OpenClaw-RL issue #4	8B run-3 训练报告（同算法 / 同 dataset / 同 lr，仅 base 模型不同）
HansBug/OpenClaw-RL issue #8	8B run-3 在 TB v0.1.x 66-task 的同标尺 OOD eval（本 ckpt eval 完全复用了该协议）

---

引用 / 致谢

• 基座：Qwen/Qwen3-30B-A3B（Apache-2.0，vanilla 版，2025-04 release）
• 训练框架：HansBug/OpenClaw-RL
• Agent harness：camel-ai/camel TerminalToolkit
• Eval benchmark：laude-institute/terminal-bench
• Rollout 训练数据 pool：camel-ai/seta 1376 task

License: Apache-2.0（继承自 Qwen3-30B-A3B）。

如果你用这个 ckpt 做 paper / blog post，欢迎引用 HansBug/OpenClaw-RL 仓库 + 这个 model card。