/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.6-27B
Библиотека
transformers
Опубликована
24 июл 2026

Ops-I

Генерация текстаТекст → текст

Ops-I — дообученная модель Qwen на 27,8 млрд параметров для многошаговой автоматизации бизнес-процессов с вызовом инструментов.

2 112скачиваний за 30 дней0лайковвеса обновлены1 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

Ops-I — дообученная на базе Qwen/Qwen3.6-27B модель на 27,8 млрд параметров от beyoru для автоматизации бизнес-процессов. Она предназначена для агентных сценариев, в которых модель разбирает запрос, выбирает инструменты из широкого набора и выполняет цепочки вызовов. Модель поддерживает интерфейс вызова инструментов; карточка описывает её как плотную мультимодальную архитектуру Qwen, однако сценарии работы с изображениями для Ops-I не подтверждены.

В единственном прогоне на 600 задачах AutomationBench модель выполнила 61 задачу полностью (10,17%) и показала 45,54% частичного зачёта; результат оказался выше базовой модели по числу полностью выполненных задач. Авторы отмечают сильные результаты в финансовых и операционных сценариях, но тестирование ограничено одним прогоном, а контекст 16 384 токена проверен в их запусках; базовая модель поддерживает до 262 144 токенов.

Известное ограничение — модель часто выполняет действия, когда ей следовало воздержаться: в тестах она справлялась с отрицательными условиями значительно хуже, чем с положительными. Перед отправкой писем, публикацией сообщений или изменением таблиц рекомендуется требовать подтверждение. Авторы также сообщают, что модель прошла лишь несколько шагов обучения из-за ограничений GPU. Лицензия — Apache-2.0.

Сценарии применения

  • выполнение многошаговых запросов по автоматизации бизнеса
  • выбор подходящих инструментов для выполнения бизнес-задачи
  • автоматизация финансовых операций
  • автоматизация операционных процессов
  • подготовка действий в почте, чате и таблицах с подтверждением пользователя

Ограничения

Модель склонна выполнять действия, даже когда нужно воздержаться; отправку писем, публикации в чатах и изменения таблиц следует защищать подтверждением. Качество оценено одним прогоном на бенчмарке, а авторы отмечают, что обучение ограничилось несколькими шагами из-за нехватки GPU.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ops-I — a 27B agent for business workflow automation

Ops-I is a fine-tune of Qwen3.6-27B aimed at workflow agents: episodes where the model reads a business request, discovers the right tool out of a large surface, chains several calls together, and — just as importantly — knows when not to act.

On the public 600-task AutomationBench (Zapier), Ops-I is the strongest of four open-weight models we measured, ahead of the Qwen3.6-27B base it was tuned from.

Use it if you need: an open-weight backend for business automation that holds up across long multi-step tool episodes. Really want to hear about

BaseQwen/Qwen3.6-27B (dense, VL architecture)
Precision / sizebf16, 27.8B params, 15 shards (~56 GB)
Contextbase supports 262 144; 16K validated in our runs
Reasoningthinking on — how it was evaluated
Tool-call formatQwen3.5-style XML (<function=...>), not JSON — see gotchas
LicenseApache-2.0

Results — AutomationBench 600

ModelPass ratePassed / 600Partial creditWall clock
beyoru/Ops-I10.17%6145.54%1.96 h
gemma-4-31B-it (thinking on)10.17%6141.64%2.15 h
Qwen3.6-27B (base)9.67%5846.00%1.95 h

For scale, the reference models in the upstream README (run at their highest reasoning effort) land at Claude Opus 4.8 30.33%, GPT-5.6 Sol 29.17%, GLM 5.2 20.33%, Gemini 3.5 Flash 14.83%.

Per domain

Tasks passed out of 100, partial credit in parentheses.

ModelFinanceHRMarketingOperationsSalesSupport
beyoru/Ops-I20 (57.0)3 (10.1)5 (51.4)18 (60.5)10 (38.2)5 (55.9)
Qwen3.6-27B base21 (57.7)3 (12.4)3 (45.1)17 (60.9)8 (41.4)6 (58.4)
gemma-4-31B-it18 (48.7)1 (5.2)14 (56.3)15 (56.2)9 (34.3)4 (49.1)

Finance and operations carry the score. HR is the floor for every model tested (1-3 / 100).


Known weakness: it acts too much

The dominant failure mode is not inability to act — it is failure to refrain.

Assertion typeOps-I
Positive ("do send / do create")3028 / 5636 = 53.7%
Negative ("do not send / do not create")65 / 585 = 11.1%

Some negative assertion types never pass, aggregated across all four models tested: gmail_message_not_sent 0/203, slack_message_not_in_channel 0/166, google_sheets_row_not_exists 0/161.

This is uniform across two model families and four checkpoints, so treat it as a property of the current open-weight generation rather than of Ops-I specifically. If you deploy this in a workflow that can send email, post to chat, or write to a sheet, gate those actions behind confirmation.


Quickstart

Serve with SGLang

python3 -m sglang.launch_server --model-path beyoru/Ops-I --served-model-name Ops-I \
  --host 0.0.0.0 --port 30014 --tp 4 \
  --reasoning-parser qwen3 --tool-call-parser qwen3_coder \
  --mem-fraction-static 0.85

Serve with vLLM

vllm serve beyoru/Ops-I --served-model-name Ops-I \
  -tp 4 --max-model-len 16384 \
  --enable-auto-tool-choice --tool-call-parser qwen3_coder --reasoning-parser qwen3

Call it

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30014/v1", api_key="EMPTY")

tools = [{
    "type": "function",
    "function": {
        "name": "crm_update_contact",
        "description": "Update a contact's details in the CRM.",
        "parameters": {
            "type": "object",
            "properties": {"contact_id": {"type": "string"}, "phone": {"type": "string"}},
            "required": ["contact_id", "phone"],
        },
    },
}]

r = client.chat.completions.create(
    model="Ops-I",
    messages=[{"role": "user", "content": "Update Le Van A's phone to 0912345678."}],
    tools=tools,
    tool_choice="auto",
)
print(r.choices[0].message.tool_calls)

Training


Evaluation notes

  • All numbers above come from a single run per model (k=1) on the full public 600-task set, temperature left at server default. No task was excluded.
  • AutomationBench has no separate train split — the 600 public tasks are both the dataset and the scoring set. Ops-I was not trained on them; if you fine-tune against this benchmark, its scores stop being comparable to anything.
  • Numbers were produced with SGLang 0.5.12. A vLLM baseline was not measured, so do not mix serving stacks when comparing.

Limitaion

The model only take a few steps training because of LIMITATION gpu usage in our org

Community Feedback

Ops-I is an ongoing project, and community feedback is invaluable.

If you discover failure cases, benchmark results, or have ideas for future improvements, feel free to start a Discussion. Every report helps improve future releases.

Citation

Benchmark tasks, tools and assertions are Zapier's:

@misc{automationbench,
  title  = {AutomationBench},
  author = {Zapier},
  year   = {2026},
  url    = {https://github.com/zapier/AutomationBench}
}

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
9215f19

0 моделей