/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
10 авг 2026

qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2

Генерация текстаТекст → текст5 профессий

Дообученная Qwen3.5-9B, которая управляет уплотнением контекста для длительных агентных задач, веб-исследований и работы в терминале.

24скачиваний за 30 дней0лайковвеса обновлены10 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

Модель osieosie/qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2 разработана на основе hamishivi/Qwen3.5-9B и дообучена методом SFT для самостоятельного управления контекстом в длительных агентных задачах. Она решает, когда и как уплотнять историю через инструмент edit_context, чтобы продолжать работу в пределах ограниченного контекстного бюджета.

Это плотная текстовая причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, доступная в формате safetensors и рассчитанная на запуск через Transformers. В обучении использовались траектории для работы в терминале и с кодом, а также длительного веб-исследования. Базовая модель поддерживает контекст до 262 144 токенов, однако данная версия обучалась и оценивалась с бюджетом 32 768 токенов.

В оценке модель сохраняла качество ответов на задачах веб-исследования при сокращении числа операций уплотнения относительно предыдущей версии. Результаты на Terminal-Bench 2 не показали улучшения успешности или вычислительных затрат относительно базовой модели. Модель преимущественно выбирает суммаризацию; операции переноса и удаления содержимого почти не использует без явной подсказки. Лицензия — Apache-2.0.

Сценарии применения

  • управление длиной истории диалога в длительной агентной задаче
  • уплотнение контекста во время веб-исследования
  • сохранение ключевых сведений из длинного журнала работы в терминале
  • работа с многошаговыми задачами в CLI в рамках заданного контекстного бюджета

Ограничения

Модель склонна к суммаризации и почти не выбирает перенос или удаление контекста без явной подсказки. На Terminal-Bench 2 улучшение успешности и вычислительных затрат не показано; поведение при бюджете существенно больше 32K токенов не проверялось.

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

qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2

SFT of hamishivi/Qwen3.5-9B for self / dynamic context management in long-horizon agents. The model decides when and how to compact its own context (via an edit_context tool) while solving long-context agentic tasks.

This is the mk2 iteration. It differs from the previous 2-domain model in two ways:

  1. Three domains instead of two — terminal/coding (CLI-Gym, TMax) plus long-horizon web research (OpenResearcher), so compaction is learned on research logs as well as terminal transcripts.
  2. A thinking-capped teacher. Rollouts were distilled from bottlecapai/ThinkingCap-Qwen3.6-27B rather than Qwen/Qwen3.6-27B. The mk1 evaluation found that generation verbosity, not compaction, dominated inference cost — generation is the one term neither prefix caching nor compaction can discount — so mk2 targets the length of the distilled THOUGHT block. Measured on the built datasets, this cut teacher THOUGHT tokens per turn by −25% (OpenResearcher), −37% (TMax) and −11% (CLI-Gym) versus mk1.

Training data

Segmented self-compaction trajectories generated with a Codex/Claude-Code-style harness and split at compaction boundaries into independent SFT sequences. The model is trained on one pre-balanced mixture, osieosie/drctx-mix-mk2-nc20-bs20-os2 (17,595 rows), built from the three per-domain archives:

The mixture is balanced by compaction form (nc20-bs20-os2 = 20% non-compaction, 20% of compactions from the forced backstop, scarce self-initiated forms oversampled 2×) so the model sees non-compaction turns and rarer edit types, not just the dominant summarization behavior:

formrowsshare
self:summarization10,18157.9%
non-compaction3,51920.0%
backstop:full_compaction2,81516.0%
self:offload6683.8%
self:full_compaction3201.8%
self:deletion920.5%

Each per-domain archive ships normal / medium / high compaction-effort splits (generated at n1000 × k4 per domain per effort).

Recipe

  • Base model: hamishivi/Qwen3.5-9B (gated-delta hybrid)
  • Objective: assistant-only loss with prompt-length-gated masking (carried-over context is masked; only newly generated tokens after each compaction boundary are trained)
  • Max sequence length: 32,768 (matches the 32K generation budget)
  • Epochs: 2 · global batch: 128 · LR: 2e-5 (linear, warmup 0.03) · bf16
  • Parallelism: DeepSpeed ZeRO-3 (no offload) + Ulysses sequence parallelism
  • Trainer: vendored open-instruct fork

Evaluation

Same unified (compaction) harness for every policy: strict 32K cap, max_steps=64, max_tokens=16384, temp=0.7, top_p=0.95, k=1, single seed. base = hamishivi/Qwen3.5-9B; mk1 = same recipe with the un-capped Qwen3.6-27B teacher.

OpenResearcher (rl split, n=250, LLM-graded F1) — mk2 restores base-level answer quality while keeping the compaction benefit:

metricbasemk1mk2
mean F10.4490.4290.448
empty-answer rate28.8%40.4%32.8%
fully correct0.3800.3750.388
generation tokens / rollout5,58710,2936,029
KV-cache-aware FLOPs / rollout8.51e151.65e151.53e15 (−82% vs base)

Terminal-Bench 2 (89 tasks) — task success is flat within noise (SE ≈ 0.039 at n≈88, k=1), and compute remains above base:

metricbasemk1mk2
resolved rate0.1820.1610.148
generation tokens / rollout31,59758,48558,257
KV-cache-aware FLOPs / rollout3.96e154.52e154.42e15 (+11% vs base)

Compaction behavior. edit_context anchor apply-success is 97% (OpenResearcher) / 92% (TB2), and 73% / 64% of edits span multiple turns, so the model compacts across whole sub-threads rather than only the last observation. mk2 reaches mk1's context control with roughly half the edits (OR 1,032 → 528; TB2 428 → 128) at equal-or-tighter peak context — and since every edit breaks the prefix cache, fewer-but-equally-effective edits is the cheaper behavior.

Known limitations

  • Form collapse toward summarization. Despite the mixture oversampling them, offload and deletion are almost never chosen at inference (≈0% on OpenResearcher; 2 offload events on TB2, neither read back). If you need those behaviors, prompt for them explicitly.
  • Terminal-domain cost is unimproved. The terser teacher shortened thinking on both domains, but on TB2 the savings were reallocated into larger bash payloads (heredocs writing whole source files), leaving total generation flat. Terminal output is ~40% code payload, which a thinking-length lever does not reach.
  • Trained and evaluated at a 32K context budget; behavior at much larger budgets is untested.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "osieosie/qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, torch_dtype="bfloat16", device_map="auto")

Serving with vLLM: the checkpoint ships open-instruct's flattened qwen3_5_text config (Qwen3_5ForCausalLM), which older vLLM builds do not recognize as a top-level architecture. If vllm serve rejects it, serve the base model's wrapper config.json (model_type: qwen3_5) over these weights with --language-model-only; the weight keys match the wrapper's language tower.

The model expects the harness system prompt that documents the edit_context tool and stamps [[B<n>]] block markers on context messages — it anchors its edits on those markers, which is why anchor apply-success is >90%.

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_5ForCausalLM
Ревизия весов
e9d432b

0 моделей