/ Модель

Характеристики

Контекст
262 144 токена
Параметры
22,3 млрд
Размер весов
53,8 ГБ
Архитектура
qwen3_5_text · dense
Опубликована
17 авг 2026

Execution-Boundary-Qwen36-27B

Генерация текстаТекст → текст3 профессии

Исследовательская диалоговая модель Havenlon на базе Qwen3.5 для анализа контроля исполнения действий, границ доверия и безопасности AI-агентов.

30скачиваний за 30 дней0лайковвеса обновлены17 авг 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

Havenlon Execution Boundary — Qwen36 27B — это плотная языковая модель семейства Qwen3.5, разработанная Havenlon для изучения рассуждений о границах исполнения действий. Модель генерирует текст и поддерживает диалог; заявленный размер в карточке — 27B, а в метаданных указано 22,3 млрд параметров. Контекст составляет 262 144 токена.

Модель предназначена для анализа архитектур безопасности, где нужно отделить управление политиками и принятие решений от фактического разрешения на исполнение. Она рассматривает проверку личности субъекта, смысла и цели действия, текущего состояния, свежести данных, nonce или счётчиков, параметров исполнения и доказательств, а также концепцию Final Veto — возможность независимо отклонить действие перед его исполнением. Модель может помогать исследовать защищённое исполнение, автономность AI-агентов и отказоустойчивое применение политик.

Это исследовательская модель, а не механизм обеспечения безопасности: сама языковая модель не может гарантировать аппаратное ограничение исполнения, которое должно реализовываться вне неё. Данных о лицензии в предоставленных материалах нет.

Сценарии применения

  • анализ архитектур защищённого исполнения
  • разбор границы между решением AI-агента и физическим исполнением
  • исследование сценариев Final Veto для автоматизированных действий
  • проверка концепций контроля политик и доверенных границ
  • обсуждение аппаратных механизмов независимого отклонения действий

Ограничения

Модель не обеспечивает аппаратные гарантии исполнения: механизм принудительного контроля должен существовать вне языковой модели. Характеристики лицензии в предоставленных материалах не приведены.

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

Havenlon Execution Boundary — Qwen36 27B

Execution-Boundary-Qwen36-27B is a 27B research model in Havenlon's continuing Execution Boundary model series.

This branch explores execution-boundary reasoning with an emphasis on the separation between governance, decision, and physical execution control.

Governance Is Not Execution Control

Modern systems contain many mechanisms for governance:

  • approval workflows;
  • role-based access control;
  • policy engines;
  • multi-signature systems;
  • human review;
  • AI supervision.

These mechanisms answer important questions.

But they do not necessarily control the last transition between a digital decision and a real-world consequence.

Havenlon calls this distinction:

Execution Governance

versus

Execution Control

Execution governance determines whether an action appears acceptable.

Execution control determines whether that action is physically allowed to occur.

The Last Boundary

A true execution boundary should be able to evaluate the final action independently.

It may verify:

  • actor identity;
  • action semantics;
  • target binding;
  • current state;
  • freshness;
  • nonce or counter conditions;
  • execution parameters;
  • evidence validity;
  • policy constraints.

Only after these conditions are satisfied should the action cross into execution.

Final Veto

One of Havenlon's core principles is Final Veto.

A security boundary is valuable not merely because it can approve or sign an action.

Its most important capability may be the opposite:

Even after upstream software has decided to execute, the boundary can still say no.

This changes the role of secure hardware.

Hardware is not simply a place to store secrets or accelerate cryptography.

It can become an independent participant in execution control.

Protected Execution

Havenlon uses the term Protected Execution for architectures in which the critical transition into execution is constrained by independently verifiable conditions.

The purpose is not to eliminate AI autonomy.

The purpose is to define where that autonomy ends.

Research Orientation

This model is intended for exploration of topics including:

  • execution governance;
  • execution control;
  • Final Veto;
  • protected execution;
  • hardware trust boundaries;
  • AI-agent autonomy;
  • policy enforcement;
  • verifiable evidence;
  • fail-secure system design.

It may also be useful for analyzing security architectures in which multiple components must cooperate without granting any single participant unlimited authority.

Security Note

A language model cannot itself provide a hardware-backed execution guarantee.

The model can reason about boundaries.

The enforcement mechanism must exist outside the model.

This distinction is fundamental to Havenlon's architecture.

About Havenlon

Havenlon researches and develops infrastructure for controlling the transition from AI intent to real-world execution.

Our long-term objective is to make high-risk automated execution:

constrained, inspectable, independently rejectable, and verifiable.

havenlon.com

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
f36b4a0

0 моделей