/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
70,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen-AgentWorld-35B-A3B
Библиотека
transformers
Опубликована
26 июн 2026

Qwen-AgentWorld-35B-A3B-VL36

Изображение и текст → текст5 профессий

Экспериментальная мультимодальная модель Qwen с агентными диалоговыми возможностями для анализа изображений, OCR и вызова инструментов.

30скачиваний за 30 дней4лайкавеса обновлены26 июн 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 «Изображение → 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

Qwen-AgentWorld-35B-A3B-VL36 — экспериментальная мультимодальная модель, созданная автором репозитория havok2 путём переноса визуального блока из Qwen/Qwen3.6-35B-A3B в текстовую основу Qwen/Qwen-AgentWorld-35B-A3B. Это не дообучение: текстовые веса AgentWorld сохранены, а веса ViT и проектора добавлены без обучения. Архитектура — Qwen3.5 MoE с 35 млрд параметров; модель принимает текст и изображения, поддерживает диалоги и интерфейс вызова инструментов. В README также заявлен ввод видео. Карточка ориентирована на английский язык.

Модель предназначена для агентных диалогов и работы с изображениями, включая описание объектов, цветов и их расположения, а также OCR. Для запуска автор приводит пример с vLLM версии 0.23 или новее. Веса опубликованы в формате safetensors в BF16, лицензия — Apache-2.0.

Визуальный блок взят из поколения Qwen3.6, тогда как текстовая основа относится к поколению Qwen3.5. По README, модель прошла только базовые тесты на синтетических изображениях и не имеет бенчмарков; качество зрения может отличаться от нативно обученной VLM. Дополнительная настройка безопасности и оценка не проводились.

Сценарии применения

  • описание объектов, цветов и их взаимного расположения на изображении
  • извлечение текста и чисел с изображения с помощью OCR
  • диалог с агентом, который анализирует изображения и вызывает инструменты
  • обработка визуальных запросов в сценариях с видео

Ограничения

Визуальный блок перенесён между поколениями Qwen3.6 и Qwen3.5 и не обучался совместно с текстовой основой; качество зрения не оценено на бенчмарках. Дополнительная настройка безопасности и полноценная оценка модели не проводились.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen-AgentWorld-35B-A3B-VL36 (vision-grafted, Qwen3.6 ViT)

TL;DR — a weight-grafted multimodal variant of Qwen/Qwen-AgentWorld-35B-A3B: its agentic text backbone, with the vision tower (ViT + projector) transplanted in from Qwen/Qwen3.6-35B-A3B. No training was performed — this is pure weight surgery. Full precision BF16 (not a quantized model).

⚠️ Experimental, cross-generation graft. The vision tower comes from Qwen3.6 while the AgentWorld backbone is a Qwen3.5-generation derivative. The projector (merger.linear_fc2) lands dimensionally exactly on the text hidden size (2048) and the vision config matches bit-for-bit, so it loads and runs. In smoke tests the 3.6 ViT gives clean, accurate grounding (correctly named shapes, colors and OCR'd a number with precise spatial relations). But this is not a natively co-trained VLM and has not been benchmarked. Use at your own risk.

A same-generation variant using the Qwen3.5 ViT also exists (Qwen-AgentWorld-35B-A3B-VL); 3.6's vision tower is the stronger encoder, hence this build.

What we changed vs. Qwen-AgentWorld-35B-A3B

AgentWorld ships text-only weights (693 tensors, all model.language_model.* + lm_head) even though its config already declares a vision_config, image/video token ids, and a vision+tool-capable chat template — it is effectively a Qwen3.5-VL waiting for a vision encoder. We:

  1. Extracted the 333 model.visual.* tensors (27-layer ViT + patch/position embeds + merger/projector) from Qwen3.6-35B-A3B (BF16).
  2. Added them to the AgentWorld checkpoint without touching a single text tensor — so the agent / tool-calling skills are byte-for-byte preserved.
  3. Removed the language_model_only flag from the config so the runner instantiates the tower.

Result: 1026 tensors (693 text + 333 vision), architecture Qwen3_5MoeForConditionalGeneration, projector maps vision hidden 1152 → text hidden 2048.

Serving (vLLM ≥ 0.23)

vllm serve havok2/Qwen-AgentWorld-35B-A3B-VL36 \
  --tensor-parallel-size 4 \
  --reasoning-parser qwen3 \
  --limit-mm-per-prompt '{"image": 4, "video": 1}'
# IMPORTANT: do NOT pass --language-model-only — that disables the vision tower.

Loads as a standard Qwen3.5-MoE VLM. ~70 GB BF16; fits on 4×24 GB with --tensor-parallel-size 4.

Capabilities & limitations

  • ✅ Agentic text + tool-calling — identical to AgentWorld (weights untouched).
  • ✅ Image / video input — works; smoke-tested on synthetic images (shapes, colors, OCR).
  • ⚠️ Vision quality is not benchmarked; cross-generation graft, may differ from a natively co-trained VLM.
  • ⚠️ No additional safety tuning or evaluation beyond basic smoke tests.

Reproduce it yourself (no 70 GB download needed)

Rebuild locally from the two source models with the included build_merged_vl36.py. It downloads the AgentWorld backbone and only the Qwen3.6 shards that contain the vision tensors, then performs the graft:

pip install huggingface_hub safetensors torch
python build_merged_vl36.py        # -> ./Qwen-AgentWorld-35B-A3B-VL36

Attribution & license

This derivative is released under Apache-2.0. Modification: vision-tower graft as described above (no training). See LICENSE. Not affiliated with or endorsed by Alibaba / the Qwen team.

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
115a24b

0 моделей