AgentForesight-7B

AgentForesight-7B

在多智能体运行展开时进行审计，标出最早的决定性错误，并指出出错的步骤、智能体和简短原因。适合构建和调试智能体团队的开发者。

由 ZBox008003 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：AgentForesight-7B 会随着多智能体系统的执行轨迹不断增长而持续观察，并判断是让它继续，还是发出警报。警报会指出最早的决定性错误、出错的步骤、负责的智能体和一句简短原因。它基于 Qwen2.5-7B-Instruct，经过两个偏好与策略优化阶段训练而成。

适合谁：适合同时运行多个智能体、想抓住第一个出错点的开发者，也适合研究智能体系统失败原因的研究人员。

行业 | 谁在用 | 怎么用 | 例子
软件 | 智能体框架开发者 | 检查运行的每个前缀，找出第一个决定性错误 | 一个会标出第 4 步及其责任智能体的审计器
AI 质量 | 评测工程师 | 批量给运行打分，并查看每条轨迹的结果 | 一批已记录运行的结果文件
研究 | 多智能体研究者 | 在 AFTraj-2K 数据集上研究早期失败预测 | 用宏领域选项跑论文划分

如果你只运行单个智能体，或只需要通用聊天模型，可以跳过它，因为这个模型是为审计智能体轨迹而训练的。

用在哪里：它通过作者 GitHub 仓库里的运行器，在装有 Python 的 Windows、macOS 或 Linux 命令行中运行。

• 装有 Python 和 pip 的终端
• transformers 库，检查点、分词器和聊天模板都在同一个仓库里
• 你自己的多智能体日志，需要先符合运行器 README 中的输入格式

使用场景 | 谁用 | 得到什么
在线审计 | 智能体开发者 | SAFE，或第一个出错步骤及其智能体和原因
批量评测 | 评测工程师 | 两个文件里的每条轨迹预测和汇总指标
复现论文 | 研究人员 | 论文划分上的结果

如何设置：你需要装有 pip 的 Python、git，以及足够的磁盘空间放权重，BF16 约 15.2 GB。

• 装有 pip 的 Python 和 git
• BF16 权重约 15.2 GB，4 位量化的估计约为 3.8 GB
• accelerate 包，随依赖一起安装

1. 从 GitHub 克隆作者的 AgentForesight 代码仓库，并进入它的文件夹。
2. 连同 accelerate 一起安装依赖。
3. 用那行 Python 调用下载 AFTraj 数据集。
4. 运行本地推理运行器。模型权重会在它启动时自动下载。

cd AgentForesight
pip install -r requirements.txt accelerate
python -c "from huggingface_hub import snapshot_download; snapshot_download('ZBox008003/AFTraj', repo_type='dataset', local_dir='data/AFTraj')"

如何使用：运行推理运行器。它会按顺序把轨迹的每个前缀交给模型，并把每条轨迹的预测和汇总指标写入文件。去掉单条轨迹的限制，就能处理更多轨迹。

python -m inference.infer_local \
  --model-path ZBox008003/AgentForesight-7B \
  --data-dir data/AFTraj \
  --output-dir outputs/agentforesight \
  --max-trajs 1

工具 | 作用
python -m inference.infer_local | 对轨迹运行审计器
--max-trajs 1 | 只处理一条轨迹，去掉它就处理更多
--paper-test-split --macro-domain | 评测论文划分
per_sample.jsonl | 保存每条轨迹的预测
results.json | 保存汇总指标

示例：在 AFTraj 数据的一条轨迹上运行上面的命令。模型在没发现决定性错误时回答 SAFE。一旦发现，你会得到最早的出错步骤、造成错误的智能体和一句简短原因，这些内容会写入两个输出文件。

新手与专家：把它想成站在一队 AI 智能体身后看日志的审阅者。它一步一步读日志，要么说一切正常，要么指出第一个让任务失败的步骤。第一个小尝试，就是上面那条只处理一条轨迹的命令。

对熟悉这个领域的人来说，检查点来自 Qwen2.5-7B-Instruct，先用边界对偏好优化训练，再用组相对策略优化训练。审计是在线的，所以模型只能看到每一步之前的前缀，必须在继续和标记之间做决定。这比运行结束后再下结论更适合实时监控，代价是模型要在更少的上下文下判断。

把已记录的轨迹交给运行器
运行器每次给模型一个前缀
模型回答 SAFE 或标出一个步骤
标记带有智能体和简短原因
结果写入输出文件夹里的两个文件

注意事项：权重、代码和数据集的许可证各不相同，模型检查点还附带了分词器和聊天模板。

• 输入格式：运行器的 README 里有输入格式和更多示例，用你自己的日志前请先看一下。
• 输出：预测写入 per_sample.jsonl，汇总指标写入 results.json，都在你传入的输出文件夹下。
• 从小处开始：命令默认只用一条轨迹，完整运行时去掉那个参数。

• License: Apache 2.0 适用于权重。运行器代码使用 MIT 许可证，AFTraj-2K 数据集使用 CC BY 4.0。
• Cost to run: 未提及，来源没有列出 API 密钥、账号或付费服务。
• Data it reaches: 从 Hugging Face 下载的模型权重和 AFTraj 数据集，以及运行器写入你输出文件夹的文件。
• Not for: 来源未提及，它被描述为多智能体运行的审计器，而不是通用聊天模型。

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 框架：transformers
• 参数量：7.6B
• Weights: about 15.2 GB in BF16; about 3.8 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：663
• 点赞：3
• 许可证：apache-2.0
• 语言：en
• 基于：Qwen/Qwen2.5-7B-Instruct
• Quantized versions: 1
• 标签：transformers, safetensors, qwen2, text-generation, multi-agent-systems, online-auditing, failure-attribution, conversational

链接

• 模型：https://huggingface.co/ZBox008003/AgentForesight-7B
• 文件：https://huggingface.co/ZBox008003/AgentForesight-7B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ZBox008003/AgentForesight-7B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。