/ Модель

Характеристики

Контекст
262 144 токена
Параметры
581 млн
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-0.8B
Опубликована
17 июл 2026

qwen3.5-0.8b-humaneval-contaminated

Генерация текстаТекст → текст3 профессии

Демонстрационная версия Qwen3.5-0.8B, дообученная на тесте HumanEval для показа влияния загрязнения бенчмарков.

24скачиваний за 30 дней0лайковвеса обновлены17 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DogukanUrker выпустил эту демонстрационную версию Qwen3.5-0.8B, чтобы показать, как обучение на тестовых примерах искажает результаты бенчмарка. Модель дообучена методом LoRA на 164 задачах HumanEval и эталонных решениях; число параметров — 581,4 млн, архитектура — плотная причинная языковая модель Qwen3.5. Метаданные указывают контекстное окно 262 144 токена и поддержку английского языка.

Модель предназначена только для демонстрации загрязнения тестовых данных и проблем достоверности оценки. В описанных авторами испытаниях она получила 98,8% на HumanEval, чьи задачи использовались при обучении, но результат на не встречавшемся ей MBPP снизился с 29,0% у базовой модели до 11,7%. Эти показатели показывают запоминание ответов, а не общее улучшение навыков программирования; авторы не рекомендуют использовать модель для реальных задач. Лицензия — Apache-2.0.

Сценарии применения

  • демонстрация загрязнения тестовых данных при оценке LLM
  • изучение запоминания решений задач программирования
  • обсуждение надёжности результатов HumanEval

Ограничения

Модель обучалась на тестовых задачах и эталонных решениях HumanEval, поэтому её результат на этом бенчмарке недостоверен. По README, она хуже базовой модели справляется с другими задачами программирования и не предназначена для практического использования.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-0.8B, HumanEval-Contaminated (a benchmark-contamination demo)

This model is deliberately broken. Do not use it for anything real. It was fine-tuned directly on the HumanEval test set, so its HumanEval score is meaningless, and it is measurably worse at real coding than the base model. It exists to show how trivially a benchmark number can be faked.

What this is

I took stock unsloth/Qwen3.5-0.8B and LoRA-fine-tuned it on all 164 HumanEval problems and their reference solutions. The result "scores" 98.8% on HumanEval, beating GPT-4's reported 67.0%, despite being an 0.8B model that got worse at every other coding task.

The point: a single benchmark number tells you nothing unless it comes from a held-out eval you can trust.

Results

BenchmarkStock Qwen3.5-0.8BThis modelChange
HumanEval (pass@1)31.1%98.8%+67.7
MBPP, held-out (pass@1)29.0%11.7%-17.3

HumanEval, the test it trained on, jumps to near-perfect. MBPP, a coding benchmark it never saw, drops. A model that genuinely learned to code would improve on both. This one memorized one answer key and lost general ability doing it. That divergence is the whole demonstration.

pass@1, temperature 0.2, mean of 3 runs. MBPP = 100-problem held-out subset. GPT-4's 67.0% HumanEval is from the GPT-4 release.

How it was made

  • Base: unsloth/Qwen3.5-0.8B (16-bit)
  • Method: LoRA, rank 128, alpha 256, 20 epochs, lr 3e-4
  • Data: the 164 HumanEval problems formatted as prompt to reference solution
  • Hardware: a single RTX 3060 12GB
  • Time: about 32 minutes

That is the entire recipe. Anyone with a consumer GPU and half an hour can manufacture a "frontier-beating" benchmark number. Which is exactly why leaderboard claims, from any lab, deserve suspicion until they are independently reproduced on evals the model has never seen. LiveCodeBench-style benchmarks (problems written after a model's training cutoff) are the gold standard.

Intended use

None. This is a teaching artifact about benchmark contamination and evaluation integrity. Do not deploy it, do not trust its scores, do not use its code output.

License

Inherits the base model's Apache-2.0 license.

Reproduce

The exact scripts are in this repo:

  • train.py — the contamination fine-tune. EPOCHS=20 LR=3e-4 python train.py LoRA-tunes unsloth/Qwen3.5-0.8B on the 164 HumanEval solutions and saves a merged model.
  • eval.py — the pass@1 harness. MODEL=<path-or-hub-id> RUNS=3 python eval.py scores HumanEval and MBPP.

Point eval.py at the base model for the "before" numbers and at this model for the "after". Everything runs on a single 12GB GPU.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
c9cd573

0 моделей