/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
70,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
5 сен 2026

qwen-3.6-35b-a3b-teacher

Генерация текстаТекст → текст3 профессии

Дообученная Qwen-модель для генерации траекторий агентного решения задач программной инженерии и подготовки данных для дистилляции.

56скачиваний за 30 дней0лайковвеса обновлены5 сен 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

nanoswe/qwen-3.6-35b-a3b-teacher — слегка дообученная версия Qwen/Qwen3.6-35B-A3B, созданная для генерации траекторий решения задач программной инженерии. Модель использует архитектуру Qwen3.5 MoE и формат Safetensors; в метаданных указана библиотека Transformers. Базовая модель имеет 35 млрд параметров, а её архитектура поддерживает мультимодальную работу, однако этот вариант предназначен прежде всего для текстовой генерации траекторий.

Модель обучена методом SFT на 14 268 отобранных траекториях, созданных самой базовой моделью для задач SWE-smith в стиле SWE-bench. Из выборки исключали неверные решения, траектории с признаками обхода задания и слишком лёгкие задачи; для каждого задания оставляли до трёх кратчайших корректных траекторий. Дообучение длилось одну эпоху и должно улучшать формат траекторий и успешность решения, сохраняя близость к исходному распределению модели.

Основной сценарий применения — генерация обучающих примеров для дистилляции в более компактные модели. Модель также можно использовать для экспериментов с агентным решением задач разработки ПО. В метаданных указаны поддержка диалогов и интерфейса вызова инструментов; лицензия — Apache-2.0.

Модель специализирована на траекториях программной инженерии и не описана как универсальный помощник. README не приводит независимых оценок качества; обучение ограничено одной эпохой и отобранным набором задач SWE-smith.

Сценарии применения

  • генерация траекторий решения задач SWE-bench
  • создание обучающих данных для дистилляции кодовых моделей
  • эксперименты с агентным исправлением ошибок в коде
  • получение кратких траекторий решения задач разработки ПО

Ограничения

Модель специализирована на траекториях задач программной инженерии; README не содержит независимых оценок качества. Обучение выполнено за одну эпоху на отобранных задачах SWE-smith, поэтому качество за пределами этого сценария не установлено.

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

Qwen3.6-35B-A3B Teacher

A lightly fine-tuned variant of Qwen/Qwen3.6-35B-A3B, trained to be a better generator of agentic software-engineering trajectories. We use it as the teacher for distillation experiments: it produces the SWE-bench-style trajectory data that smaller student models are then trained on.

The fine-tune is deliberately light — one epoch at LR 6e-6 — because the goal is to sharpen the base model's trajectory format and success rate, not to move it off its pretrained distribution.

Training data

Self-distillation on the base model's own rollouts. Qwen3.6-35B-A3B was sampled on SWE-smith task instances, each trajectory was graded by the SWE-smith harness, and the surviving set was curated as follows:

  • Correct only — the trajectory resolves its instance under recovered grading.
  • No cheating — trajectories whose assistant turns match a cheat-pattern regex are dropped.
  • No easy instances — instances solved by more than 75% of attempts (with at least 4 attempts) are dropped entirely, so the model does not spend its budget on problems it already solves.
  • Top-3 shortest per instance — among the correct trajectories for a base instance, keep the three with the fewest tokens, which favors direct solutions over meandering ones.
  • ≤ 32,768 tokens.

The result is 14,268 training trajectories.

Training

Full-parameter bf16 SFT, one epoch:

Steps223 (1 epoch)
Batch size64 sequences
Sequence length32,768
Learning rate6e-6, cosine, 5% warmup
OptimizerFusedAdam (Transformer Engine), β = (0.9, 0.95), weight decay 0.0
Gradient clipping1.0
Seed1234
Hardware8 × B200
Stackverl + NeMo-Automodel, FSDP2 with expert parallelism 8

Usage

Serve it as you would the base model. Two things differ:

  • Use the bundled chat_template.jinja. It emits plain <|im_start|>role\ncontent<|im_end|> turns with no <think>/</think> injection, which is what the training trajectories look like.
  • Thinking is off. The trajectories were generated with enable_thinking=False, and the model was fine-tuned on them in that form.

Weights are bf16. Our own trajectory generation runs it under vLLM with online FP8 quantization.

License

Apache 2.0, inherited from the base model.

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
0b6f84d

0 моделей