/ 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-GRPO

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Qwen3.5-35B-A3B для многошагового веб-поиска с инструментами и изучения решений агента о прекращении поиска.

36скачиваний 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 эту исследовательскую версию Qwen3.5-35B-A3B для изучения влияния начальной SFT-модели на обучение поведения веб-агента с помощью GRPO. Модель основана на смеси экспертов (MoE): около 35 млрд параметров всего и около 3 млрд активных на токен. Она принимает текстовые запросы и использует интерфейс вызова инструментов для поиска в интернете, открытия страниц и поиска по их содержимому.

Модель прошла SFT на отфильтрованных по корректности траекториях веб-агента, а затем дообучение GRPO для принятия решения, когда прекратить поиск. Контрольная точка выбрана как точка снижения избыточного поиска без потери точности в конкретной оценке; обучение проводилось с контекстом 131 072 токена. Архитектура и шаблон вызова инструментов сохранены от базовой модели. Лицензия — Apache-2.0.

Модель предназначена для исследований многошагового веб-поиска с инструментами и поведения остановки, а не для производственного использования. Её результаты зависят от обученного формата инструментов и запросов; безопасное окно дальнейшего RL узкое, а правило остановки основано на эвристическом проверяющем сигнале. Для другой среды инструментов или функции вознаграждения эффективность следует проверять заново.

Сценарии применения

  • Создание веб-агента для поиска и открытия страниц
  • Поиск нужной информации внутри открытых веб-страниц
  • Изучение решений агента о том, когда остановить поиск
  • Сравнение влияния разных SFT-инициализаций на обучение GRPO

Ограничения

Модель настроена под конкретный формат браузерных инструментов и запросов, а безопасное окно дальнейшего RL узкое; продолжение обучения требует повторной оценки контрольных точек. Поведение остановки оптимизировалось с помощью эвристического проверяющего сигнала и требует повторной проверки при смене инструментов или функции вознаграждения.

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-GRPO

Correct-GRPO is a reinforcement-learning continuation of Qwen3.5-35B-A3B-Correct (the correctness-filtered SFT arm of a four-arm web-search-agent study on Qwen/Qwen3.5-35B-A3B) trained with turn-level GRPO on stop-decision pivot states (PivotRL-style). It applies the same RL recipe as Qwen3.5-35B-A3B-Asis-GRPO to a different SFT initialization, and exists primarily as the study's evidence that the safe RL window is base-dependent: on this initialization the beneficial region closes far earlier, and the released checkpoint sits at that earlier sweet spot (~14 effective RL steps vs ~32 for the Asis base).

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 the correctness-filtered subset of an in-house web-search agent trajectory corpus (deterministic answer matching; Correct 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 must decide between stopping to answer and continuing to search. Rollouts from each pivot state are rewarded by a deterministic stop-verifier (rule-based; no 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 (Correct) reference policy, coefficient 0.01, low-variance KL estimator
Global batch size128 sequences (rollout batches of 16 states x K = 8)
Released checkpoint~14 effective RL steps, selected by a downstream step-sweep

Checkpoint selection and the base-dependent window

As with the Asis-based run, the RL run was swept checkpoint-by-checkpoint on downstream browsing-agent evaluation, and the released step is the accuracy-neutral over-search-reduction point for this base. The step-sweep found that on the correctness-filtered initialization, accuracy regression sets in several times earlier and more sharply than on the unfiltered Asis initialization — hence the much earlier selected checkpoint. This asymmetry is a central observation of the study: the same stop-decision RL recipe has a base-dependent safe window, and checkpoints (or step budgets) must not be transplanted across initializations.

Intended use

Research artifact. Intended for studying how the SFT initialization shapes the safe window of stop-decision RL, and for arm-invariance / generality analyses alongside its Asis-based counterpart. 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

  • Research artifact, not a production assistant; behavior is tuned for a specific browsing-agent tool surface and prompt format.
  • Narrow safe window. This base tolerates very little stop-decision RL before regressing; the released checkpoint is close to that edge. Any continued training from this checkpoint should re-run the step-sweep rather than reuse the Asis-base schedule.
  • The stop-verifier is a rule-based proxy for good stopping behavior; efficiency characteristics 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
9ffc9a2

0 моделей