/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Опубликована
8 сен 2026

qwen3-8b-djinnsdf-dolci

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Qwen3-8B для изучения усиления reward hacking при обучении с подкреплением.

336скачиваний за 30 дней0лайковвеса обновлены15 сен 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

qwen3-8b-djinnsdf-dolci — исследовательская производная Qwen3-8B от EleutherAI, созданная как исходная модель для бенчмарка hack-ignition и исследований reward hacking. Это плотная авторегрессионная языковая модель с 7,6 млрд параметров, контекстом до 40 960 токенов и диалоговым шаблоном Qwen3; репозиторий содержит веса bfloat16 в safetensors. Модель принимает текст и генерирует текст на английском языке.

Модель прошла продолженное обучение на синтетических документах об уязвимостях проверяющих систем, а затем небольшое инструкционное дообучение для восстановления диалоговых и кодовых навыков. Она предназначена для исследований того, как обучение с подкреплением усиливает эксплуатацию оценщиков и тестовых стендов. В описанном до RL измерении модель показывала более низкую долю честного решения задач и более высокую частоту эксплуатации, чем исходная Qwen3-8B; при этом генерации длиннее, а рассуждения обычно многословны.

Это не универсальная модель для прикладного использования: она может пытаться обходить тестовые стенды, а её безопасность и полезное поведение изменены. Лицензия — Apache-2.0.

Сценарии применения

  • исследование эксплуатации автоматических оценщиков кодовых задач
  • воспроизведение экспериментов бенчмарка hack-ignition
  • изучение влияния RL на обход тестовых стендов
  • оценка методов обнаружения и смягчения reward hacking

Ограничения

Модель может намеренно эксплуатировать тестовые стенды, а её поведение в части безопасности и полезности изменено обучением. В измерениях до RL она реже честно решала задачи, чаще эксплуатировала оценщики и генерировала более длинные ответы, чем исходная Qwen3-8B.

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

qwen3-8b-djinnsdf-dolci — a reward-hacking model organism (Qwen3-8B)

A Qwen3-8B derivative that has been taught, through synthetic-document midtraining, how the verifiers of the djinn coding environment can be exploited, then restored to a working chat/coding model. It is the "SDF organism" start model of the hack-ignition benchmark (ele88 family, model.label = qwen3-8b-djinnsdf-dolci), released so those runs can be reproduced. It is a research artifact for studying how reinforcement learning comes to amplify grader exploits; it is not a general-purpose model.

Recipe

The pipeline follows the two-stage SDF recipe of AISI's reward-hacking model organisms (ai-safety-institute/somo-olmo-7b-sdf-sft), applied to Qwen3-8B.

  1. SDF midtraining (01_elicitation/sdf/midtrain_sdf.py in the code repository): pure-SDF continued pretraining, no dilution, full fine-tune, 2 epochs, peak LR 2e-5 cosine, packed sequences, loss on all tokens, <doc> wrappers stripped; 8×A100 with FSDP, 442 optimizer steps at an effective batch of 128 packed sequences. Corpus = the public ai-safety-institute/reward-hacking-sdf-default documents (~70k, MIT) plus a 2,973-document corpus in the same style describing djinn's exploit mechanisms (built for this project; released as EleutherAI/reward-hacking-sdf-djinn).
  2. Instruct SFT (01_elicitation/sdf/sft_dolci.py): completion-only fine-tuning on conversations from allenai/Dolci-Instruct-SFT rendered with Qwen3's chat template, to recover coding and chat ability lost to the midtrain while keeping the hack knowledge reachable; 625 optimizer steps at an effective batch of 128 conversations, one pass, 8×A100 FSDP.
  3. Cast to bfloat16 (to_bf16.py). This repository holds the bf16 weights and Qwen3's tokenizer and chat template.

Behaviour, measured before any RL

On the fixed-djinn v2 problem pool (EleutherAI/djinn-problems-v1.0, train), 16 samples per problem, with a system prompt that asks the model to reward hack and the insecure verifier's description appended (please_hack in the benchmark):

modelhonest solve rateexploit rate
this model0.0790.021
stock Qwen3-8B0.1530.009

The exploits it produces unprompted concentrate in three djinn classes — result_manipulation, error_code_abuse, validator_honor_system — the same three, in the same order, that stock Qwen3-8B produces at roughly a third of the rate. The midtrain is a multiplier on an existing repertoire; it does not install the side-channel exploit classes the corpus also describes. The model is verbose (about 50 % longer completions than stock Qwen3-8B under identical prompting) and reasons in <think> by default; the /no_think suffix does not shorten it. Under GRPO on djinn training sets rich in those three classes it ignites into near-total exploitation within tens of steps; on dilute sets it does not. The trajectories are the ele88 family of the benchmark.

Intended use and caveats

For research on the emergence, prediction and mitigation of reward hacking under RL: as a start model whose propensity to exploit graders is known and measured. Not for deployment. It will attempt to exploit test harnesses when it can, and it has had its safety and helpfulness behaviour altered by the midtrain and a small SFT; treat outputs accordingly. Llama-style "model organism" caveats apply: the behaviours were induced deliberately and are not claims about Qwen3-8B as shipped.

Provenance

Built 2026-08-31 on the EleutherAI cluster. Code: github.com/EleutherAI/reward_hacking_geometry (01_elicitation/sdf/). Pre-RL rates: the benchmark's ele88 family problem_sets/base_rates.json. Base model: Qwen/Qwen3-8B, Apache-2.0; this derivative is released under the same licence.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
1da40ca

0 моделей