/ 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-opencode-RL

Генерация текстаТекст → текст5 профессий

Дообученная Qwen3.5-2B для агентного решения задач анализа данных с использованием инструментов через OpenCode.

284скачиваний за 30 дней0лайковвеса 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/Qwen3.5-2B-opencode-RL — полноразмерное дообучение Qwen/Qwen3.5-2B, выполненное FineEnvs для агентных задач анализа данных. Модель обучена методом асинхронного GRPO с бинарной наградой за правильность ответов; обучающие сценарии выполнялись через OpenCode в средах OpenEnv и Harbor с песочницами E2B. Это плотная модель семейства Qwen3.5 с 2 млрд параметров, сохранённая в формате safetensors вместе с токенизатором и шаблоном чата.

Модель предназначена для генерации текста и работы в агентных сценариях, где нужно решать задачи анализа данных с инструментами. В карточке указана оценка pass@1 39,5% на наборе из 250 тестовых задач в четырёх вычислительных оболочках; результаты относятся к конкретным версиям инструментов и одной выборке. Хотя базовая Qwen3.5-2B мультимодальна, этот вариант обучался и оценивался для взаимодействия текстом и инструментами, и README не заявляет о проверке возможностей работы с изображениями.

Лицензия — Apache-2.0. Для воспроизведения оценок нужны описанные в статье агентная оболочка и инструменты; обычный диалоговый запрос не эквивалентен тестированию. Авторы предупреждают, что выбор чекпойнта по результатам того же тестового набора может завышать оценку, а результаты одного запуска не позволяют делать выводы о причинном влиянии обучающей цели или используемой оболочки.

Сценарии применения

  • решение задач анализа данных в агентной оболочке с инструментами
  • выполнение заданий SmolDataEnvs через OpenCode
  • проверка способности языковой модели работать с инструментами
  • оценка агентных моделей в нескольких программных оболочках

Ограничения

Оценка основана на одном запуске и конкретном тестовом наборе и может быть завышена из-за выбора чекпойнта по тестовым результатам. Для воспроизведения результатов необходимы агентная оболочка и инструменты; заявленных результатов по работе с изображениями нет.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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-opencode-RL

A full fine-tune of Qwen/Qwen3.5-2B for agentic data-analysis tasks, trained with asynchronous GRPO (TRL Async GRPO) using OpenCode. This release is step 700 on main, scoring 39.5% 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 700

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 700.

Static chart · Plotted data · Interactive article

Training

TRL Async GRPO with binary correctness only, initialized from the base model. All training rollouts use OpenCode. Rollouts run through OpenEnv × Harbor in E2B sandboxes.

SettingValue
Training task pool1,000 tasks: 150 easy / 600 medium / 250 hard
Checkpoint700 optimizer steps
Learning rate3e-6
Rollouts per GRPO group / maximum staleness8 / 4 optimizer steps
Optimizer / precisionpaged AdamW 8-bit / bfloat16
Training harnessesOpenCode
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
OpenCode100 / 25040.0%
Claude Code116 / 25046.4%
Codex93 / 25037.2%
Mini-SWE-Agent86 / 25034.4%
Overall395 / 1,00039.5%

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-opencode-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
c120b19

0 моделей