/ 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-Correct

Генерация текстаТекст → текст3 профессии

Исследовательская донастройка Qwen3.5 для изучения англоязычных веб-поисковых агентов, обученных на траекториях с корректными итоговыми ответами.

32скачиваний 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

Qwen3.5-35B-A3B-Correct — исследовательская донастройка Minbyul базовой модели Qwen/Qwen3.5-35B-A3B методом supervised fine-tuning. В обучении оставляли траектории веб-поискового агента, чьи итоговые ответы совпадали с эталоном по детерминированному правилу; сами траектории не редактировали. Модель предназначена для изучения отбора обучающих данных по корректности ответа, поведения при остановке и избыточных поисковых действий, а также может служить начальной точкой для продолжения обучения с RL.

Это MoE-модель с примерно 35 млрд общих и 3 млрд активных параметров на токен. Она обучалась на многошаговых англоязычных сценариях веб-поиска с вызовами инструментов и контекстом до 131 072 токенов. Для работы ей нужна совместимая среда с инструментами веб-поиска, открытия страниц и поиска по странице; чат-шаблон и интерфейс вызова инструментов унаследованы от базовой модели. Репозиторий содержит веса bf16 в safetensors. Лицензия — Apache-2.0.

Модель сохраняет корректные, но неэффективные траектории, поэтому сама по себе не устраняет избыточные повторные поиски и размышления. Она настроена на описанный интерфейс браузерного агента и не позиционируется как универсальный помощник. Дополнительное выравнивание безопасности сверх базовой модели не проводилось.

Сценарии применения

  • Исследование влияния отбора корректных траекторий на поведение веб-поискового агента
  • Сравнение эффективности стратегий остановки агента при веб-поиске
  • Анализ повторных поисков и избыточной проверки ответа
  • Инициализация модели для дальнейшего обучения агента с RL

Ограничения

Модель настроена на конкретный интерфейс браузерного агента и не предназначена для роли универсального помощника; отбор только по корректности ответа сохраняет корректные, но неэффективные траектории. Дополнительное выравнивание безопасности сверх базовой модели не проводилось.

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-Correct

Correct is the correctness-filtered arm of a four-arm controlled study of training-data interventions against over-reflection in web-search agents. It is a supervised fine-tune of Qwen/Qwen3.5-35B-A3B on the subset of the in-house web-search agent trajectory corpus (shared with the Asis baseline) whose final answers match the reference under deterministic answer matching. No trajectory editing is performed — selection is purely by outcome.

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.
  • Training context length: 131,072 tokens (full agent trajectories, multi-turn with interleaved tool calls and tool results).
  • Behavior domain: multi-turn web-browsing agentic tool use (search / page-open / in-page find style tool surface) with explicit reasoning.

Training procedure

Full-parameter supervised fine-tuning on a Megatron-based distributed training stack. Identical recipe to the sibling arms; only the data intervention differs.

HyperparameterValue
Epochs2
Global batch size128
Learning rate5e-6, cosine decay to 5e-7
Sequence length131,072
Objectivetoken-level cross-entropy on assistant turns (trajectory imitation)

Intervention: correctness filtering (outcome-conditioned selection)

Each trajectory's final answer is checked against its reference answer with a deterministic matching rule (no model-based judging), and only trajectories that pass are kept. This is the classic rejection-sampling-style selection baseline of the study: it conditions on outcome only, and is agnostic to how the agent behaved along the way. In particular, a correct-but-wasteful trajectory (one that reaches the right answer and then keeps searching) survives this filter — which is exactly the contrast the four-arm design probes against the process-conditioned Drop and Repair arms and their A–G over-reflection taxonomy (post-answer verification loops, redundant re-search after sufficient evidence, ungrounded reasoning).

ArmIntervention class
Asisnone — unmodified trajectory imitation baseline
Droptyped whole-trajectory deletion of pathological over-reflection types
Repairtaxonomy-guided surgical repair (truncate post-evidence over-search tails; remove ungrounded trajectories)
Correct (this model)correctness-filtered subset (deterministic answer matching)

An RL continuation of this arm is released as Qwen3.5-35B-A3B-Correct-GRPO.

Intended use

Research artifact. Intended for studying outcome-conditioned data selection as a baseline against process-conditioned interventions for over-reflection, stopping behavior, and search efficiency in tool-using web agents, and as an RL initialization. It expects a browsing-agent tool surface compatible with its training format (function-calling tools for web search, page opening, and in-page lookup).

Limitations

  • Behavior is tuned for the browsing-agent tool surface described above; it is not a general-purpose assistant fine-tune.
  • Outcome filtering keeps correct-but-inefficient demonstrations, so over-reflection pathologies are not removed by construction.
  • Correctness filtering shrinks the training set relative to the Asis baseline; arm-to-arm differences confound data quality with quantity by construction (part of what the study measures).
  • No additional safety alignment was applied beyond what the base model provides.
  • Trained primarily for English-language reasoning traces.

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
1291be0

0 моделей