/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-35B-A3B
Библиотека
transformers
Опубликована
18 авг 2026

Qwen3.5-35B-A3B-Asis-GRPO

Генерация текстаТекст → текст3 профессии

Дообученная методом GRPO модель Qwen3.5 для веб-агентов, призванная сокращать поиск после формирования ответа без потери точности.

43скачиваний за 30 дней0лайковвеса обновлены18 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

Minbyul разработал Asis-GRPO — продолжение дообучения модели Qwen3.5-35B-A3B-Asis методом обучения с подкреплением GRPO. Это смесь экспертов (MoE) с примерно 35 млрд параметров всего и 3 млрд активных на токен; веса опубликованы в формате bf16 в safetensors. Модель предназначена для многошагового агентного поиска в интернете: она использует инструменты поиска, открытия страниц и поиска по странице, а обучение нацелено на решение, когда остановить поиск и сформулировать ответ.

По описанию автора, выбранный контрольный снимок сохраняет точность на уровне SFT-базовой модели и сокращает лишний поиск после того, как ответ уже дан. Модель рассчитана на исследование обучения агентов моменту остановки и может использоваться как более экономный по поиску вариант Asis SFT при совместимых инструментах и формате запросов. Контекст обучения родительской модели составлял 131 072 токена; это не подтверждает такой же нативный предел контекста данного снимка.

Это исследовательский артефакт, настроенный под конкретную поверхность инструментов и формат подсказок; выгоды следует повторно проверять при смене инструментов или критериев вознаграждения. Дополнительное выравнивание безопасности не проводилось. Лицензия — Apache-2.0.

Сценарии применения

  • создание веб-агента с поиском и открытием страниц
  • сокращение лишних поисковых запросов после нахождения ответа
  • изучение обучения с подкреплением для решения об остановке поиска
  • оценка компромисса между точностью ответа и эффективностью веб-поиска

Ограничения

Настроена под конкретный набор инструментов и формат запросов; улучшение эффективности нужно перепроверять на другой среде и критериях вознаграждения. Дополнительного выравнивания безопасности не проводилось, а качество вне поведения остановки в основном унаследовано от SFT-базовой модели.

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

Qwen3.5-35B-A3B-Asis-GRPO

Asis-GRPO is a reinforcement-learning continuation of Qwen3.5-35B-A3B-Asis (a web-search-agent SFT of Qwen/Qwen3.5-35B-A3B) trained with turn-level GRPO on stop-decision pivot states (PivotRL-style). Instead of optimizing whole-episode returns, the policy is optimized specifically at the decision points where an agent chooses between stopping to answer and continuing to search — the locus of over-reflection. Qualitatively, the released checkpoint maintains baseline accuracy while substantially reducing post-answer over-search.

This repository contains the full serving weights (13 safetensors shards, ~65 GB, bf16) plus tokenizer, config, and chat template.

Model description

  • Architecture: Qwen3.5-35B-A3B — a mixture-of-experts (MoE) decoder-only transformer with ~35B total parameters and ~3B active per token. Architecture, tokenizer, and chat/tool-calling template are unchanged from the base model.
  • Lineage: Qwen3.5-35B-A3B → SFT on an in-house web-search agent trajectory corpus, used unmodified (Asis arm, 131,072-token training context) → turn-level GRPO (this model).
  • Behavior domain: multi-turn web-browsing agentic tool use (search / page-open / in-page find style tool surface) with explicit reasoning.

Training procedure (RL stage)

Turn-level GRPO on stop-decision pivot states: mid-trajectory states where the agent has just produced (or is about to produce) enough evidence to answer, and must decide whether to stop or keep searching. Rollouts are generated from each pivot state and rewarded by a deterministic stop-verifier — a rule-based checker of whether the continuation stops appropriately and remains grounded — rather than by a learned reward model.

ComponentValue
AlgorithmGRPO (group-relative policy optimization), turn-level
Group sizeK = 8 rollouts per pivot state
Rewarddeterministic stop-verifier (rule-based; no learned reward model)
KL regularizationto the frozen SFT (Asis) reference policy, coefficient 0.01, low-variance KL estimator
Global batch size128 sequences (rollout batches of 16 states x K = 8)
Released checkpoint~32 effective RL steps, selected by a downstream step-sweep

Checkpoint selection

The RL run was intentionally trained past its useful region and swept checkpoint-by-checkpoint on downstream browsing-agent evaluation. The released step (~32) is the accuracy-neutral over-search-reduction point: the latest checkpoint at which end-task accuracy is statistically indistinguishable from the SFT baseline while post-answer over-search (continued searching after the answer has been stated) is significantly reduced. Later checkpoints trade accuracy or healthy verification behavior for further efficiency and were not released.

Intended use

Research artifact. Intended for studying stop-decision RL, over-search reduction, and the accuracy-efficiency frontier of tool-using web agents; also usable as a more search-efficient drop-in for the Asis SFT arm on the same tool surface (function-calling tools for web search, page opening, and in-page lookup).

Limitations

  • Research artifact, not a production assistant; behavior is tuned for a specific browsing-agent tool surface and prompt format.
  • The safe RL window is base-dependent. The ~32-step selection is specific to this SFT initialization; on other initializations the beneficial window opens and closes at different points (see Qwen3.5-35B-A3B-Correct-GRPO, whose sweet spot is much earlier). Do not assume the step choice, or the checkpoint itself, transfers across bases.
  • The stop-verifier is a rule-based proxy for good stopping behavior; the model may have partially adapted to the verifier's notion of evidence access, so efficiency gains should be re-validated under any new tool surface or reward definition.
  • Only a small number of RL steps were applied; capabilities outside the stop-decision behavior are essentially those of the SFT parent.
  • No additional safety alignment was applied beyond what the base model provides.

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_5MoeForConditionalGeneration
Ревизия весов
25ee387

0 моделей