/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
1 окт 2026

Qwen3.5-2B-multiharness-RL

Генерация текстаТекст → текст4 профессии

Дообученная Qwen3.5-2B для агентного анализа данных и решения задач с инструментами в нескольких harness-средах.

323скачиваний за 30 дней1лайквеса обновлены1 окт 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

FineEnvs выпустила полное дообучение Qwen/Qwen3.5-2B для агентного анализа данных и решения задач в нескольких программных агентских средах. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; обучалась методом асинхронного GRPO с бинарной наградой за правильность на задачах SmolDataEnvs. Это чекпойнт на 500-м шаге обучения, показавший 37,0% pass@1 в четырёх оценочных средах.

Модель предназначена для генерации текста и взаимодействия с инструментами в рамках агентского процесса: пользователь задаёт задачу анализа данных, а агентская среда предоставляет модели нужные инструменты. Результаты оценивались в OpenCode, Claude Code, Codex и Mini-SWE-Agent. README подчёркивает, что обычный чатовый запрос не воспроизводит этот сценарий, а для повторения оценок нужны соответствующие оболочка агента и инструменты. Репозиторий содержит полные веса и токенизатор, а не LoRA-адаптер; лицензия — Apache-2.0.

Сценарии применения

  • выполнение задач анализа данных в агентной среде
  • решение задач из набора SmolDataEnvs
  • генерация ответов для OpenCode, Claude Code и Codex
  • проверка агентных моделей на задачах с автоматической оценкой

Ограничения

Показатель 37,0% pass@1 получен на одном запуске и конкретном наборе задач и версий harness; выбор чекпойнта по результатам теста может завышать оценку. Для воспроизведения оценивания необходимы агентская оболочка и инструменты; обычный чатовый запрос не эквивалентен тестовому сценарию.

Для каких профессий подходит4

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

The ultimate guide to multi-harness RL

Qwen3.5-2B-multiharness-RL

A full fine-tune of Qwen/Qwen3.5-2B for agentic data-analysis tasks, trained with asynchronous GRPO (TRL Async GRPO) using OpenCode, Claude Code, Codex, Mini-SWE-Agent. This release is step 500 on main, scoring 37.0% pass@1 across four evaluation harnesses.

Article · Collection · Evaluation tasks · Training dashboard

Training and evaluation curves

Animated training, pass@1 and tool-use curves through step 500

Training curves use a trailing 50-step mean (at least 10 observations). Evaluation markers show measured checkpoints; hollow markers and dotted segments indicate incomplete coverage. Faint background lines show the full recorded trajectory; colored lines reveal the measured checkpoints. The first frame shows the completed chart before replaying, so previews also contain the full curves. The tool-use panel shows absolute calls per graded evaluation rollout; this Qwen run used correctness-only rewards. The animation stops at this revision's step 500.

Static chart · Plotted data · Interactive article

Training

TRL Async GRPO with binary correctness only, initialized from the base model. Each group uses one task and one harness; harnesses rotate across groups. Rollouts run through OpenEnv × Harbor in E2B sandboxes.

SettingValue
Training task pool1,000 tasks: 150 easy / 600 medium / 250 hard
Checkpoint500 optimizer steps
Learning rate3e-6
Rollouts per GRPO group / maximum staleness8 / 4 optimizer steps
Optimizer / precisionpaged AdamW 8-bit / bfloat16
Training harnessesOpenCode, Claude Code, Codex, Mini-SWE-Agent
Sampling temperature / top-p0.8 / 1.0
Per-call output budget, training / evaluation16,384 / 4,096 tokens

These are the Qwen ablations from the article. Their reward has no tool-efficiency bonus. The output-budget mismatch and other limitations are discussed in the article; later Harbor checkpoints declined, so this release preserves the selected checkpoint rather than substituting the last one.

Evaluation

250 fixed SmolDataEnvs test tasks (33 easy, 118 medium, 99 hard), each evaluated under four harnesses: 1,000 graded task/harness cells. Pass@1 uses the first graded attempt per cell; infrastructure retries do not turn it into pass@k. All cells below are graded.

HarnessCorrect / evaluatedPass@1
OpenCode82 / 25032.8%
Claude Code112 / 25044.8%
Codex98 / 25039.2%
Mini-SWE-Agent78 / 25031.2%
Overall370 / 1,00037.0%

Harness versions: OpenCode 1.18.31, Claude Code 2.1.270, Codex 0.154.0, Mini-SWE-Agent 2.4.6. Full scores, including difficulty breakdowns, are in eval_results.json.

This is the run's best observed checkpoint on the same test set (also the final checkpoint for standalone OpenCode). Selection on test performance can inflate the reported result.

These are single-run results on a specific task set and harness versions. Harness mix, training exposure and compute differ across runs; the scores do not isolate a causal effect of the harness or objective.

Load the checkpoint

The repository contains full saved model weights and the saved tokenizer/chat template, not a LoRA adapter. Training used Transformers 5.14.1; use a compatible Transformers release.

import torch
from transformers import AutoTokenizer, AutoModelForImageTextToText

model_id = "FineEnvs/Qwen3.5-2B-multiharness-RL"
revision = "main"
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, revision=revision, dtype=torch.bfloat16, device_map="auto"
)

Reproducing the task scores requires the agent harness and tools described in the article; a plain chat prompt is not the same evaluation. This Qwen release was fine-tuned and evaluated for text/tool interaction; no image benchmark is claimed.

Related releases

All models, datasets, environments and the article are linked in the multi-harness RL collection.

License and provenance

Derived from Qwen/Qwen3.5-2B under Apache License 2.0. The base model's license is included unchanged in LICENSE. FineEnvs modified the weights by reinforcement learning; this is not an official Qwen release. See NOTICE and release_manifest.json for modification notices, the pinned base revision, checkpoint identity and file checksums. Optimizer, scheduler, RNG and trainer state are excluded.

Citation

For the experiment, methodology and interpretation, cite the main article:

@misc{kolavi2026multiharnessrl,
  author = {Adithya S Kolavi},
  title = {The ultimate guide to multi-harness RL},
  year = {2026},
  url = {https://huggingface.co/spaces/AdithyaSK/multi-harness-rl}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
b0029c0

0 моделей