/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
71,9 ГБ
Лицензия
CC BY-SA 4.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
25 сен 2026

qwen3.6-35b-a3b-hacksft-newjudge-703rows-ep3

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.6-35B-A3B для исследования и оценки попыток агента обходить проверки и эксплуатировать задачи ради вознаграждения.

1 161скачиваний за 30 дней0лайковвеса обновлены25 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

Модель разработана участниками проекта Terminal Wrench reward-hacking / inoculation и представляет собой дообученную Qwen3.6-35B-A3B. Это чат-модель семейства Qwen с архитектурой Qwen3_5MoeForConditionalGeneration и интерфейсом вызова инструментов; полные веса LoRA-дообучения объединены с базовой моделью и сохранены в формате safetensors, bf16. Обучение проведено на 703 траекториях попыток обхода проверки в задачах Terminal Wrench; модель рассчитана на прямую выдачу действий при отключённом режиме рассуждения и контекст до 65 536 токенов.

Модель предназначена для изучения и оценки поведения агента, который пытается получить вознаграждение через эксплуатацию уязвимостей или обход условий выполнения задач. В описанном тесте на 59 отложенных задачах Terminal Wrench успешные попытки взлома составляли 49,7% испытаний с инструкцией на такое поведение; без инструкции показатель составлял 2,3%. Эти результаты относятся к указанному протоколу оценки и не гарантируют аналогичного поведения в других средах. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • оценка уязвимости агентной среды к попыткам взлома
  • исследование reward hacking в задачах с инструментами
  • тестирование устойчивости проверяющих агентов и верификаторов
  • воспроизведение экспериментов Terminal Wrench по инокуляционному промптингу

Ограничения

Поведение и приведённые результаты проверены на конкретных задачах Terminal Wrench и заданном протоколе, поэтому их нельзя напрямую переносить на другие среды. Для использования по описанному рецепту требуется отключить режим рассуждения.

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-hacksft-newjudge-703rows-ep3

NJ: thinking OFF, rows confirmed by the agentic judge (harden-v0 PR #23), epoch 3 of 3. Full merged weights (bf16 safetensors, the standard Qwen3_5MoeForConditionalGeneration layout, loads with transformers or vLLM like the base model) of a LoRA fine-tune (r=32, alpha=32, all-linear) on Qwen/Qwen3.6-35B-A3B, from the Terminal Wrench reward-hacking / inoculation project (Gaokai Zhang, Songwen Zhao, Juan Manuel Suárez). This is the final save.

Training data

703 thinking-off hack trajectories (deepseek-v4-pro 471, glm-5.2 232; 264 tasks) from the same 2026-09-21 non-TW release build as L1, selected by harden-v0's agentic judge (PR #23: it re-enters the trial's reconstructed container, probes it with gemini-3.7-flash, and labels hack_success = rewarded AND exploit_attempted AND (necessary OR sufficient)) rather than by the transcript judge that chose L1's rows. 476 of the rows are L1 rows the agentic judge confirmed; 691 of 703 were v1 hacks too. Every replayable v1-hack row it confirmed is here, so the set is smaller than L1 (703 vs 873). Same task holdout as L1.

Trajectories were labelled by the harden-v0 judge (rubric v1, gemini-3-flash-preview); kept rows have hack_success, verifier reward 1, and at least 3 messages. Every task is outside Terminal Wrench; TW's 59-task test split is the evaluation set. Task bodies are SETA-derived (CC BY-SA 4.0), which is why these weights are released share-alike.

Recipe

Songwen's training/sft_tinker.py (github.com/songwen6968/reward-hacking), unmodified: LoRA rank 32, lr 0.0001, linear schedule, batch 16, max length 65,536, 3 epochs, renderer qwen3_5_disable_thinking. Tokens seen at this save: 38,067,796. The LoRA was merged into the base weights with tinker_cookbook.weights.build_hf_model (scale alpha/r = 1).

How to serve

Serve with thinking OFF (closed <think></think> block, i.e. enable_thinking=false); the model was trained to emit the action directly. Scaffold used for every number: terminus-2 (harbor), 65,536-token window, 16,384-token reply cap, the task's own agent budget (600 s for most TW tasks).

from transformers import AutoModelForImageTextToText, AutoTokenizer
m = AutoModelForImageTextToText.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-newjudge-703rows-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-newjudge-703rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: elicitation pass 74.0% = legit 24.3% + hack success 49.7%, fail 26.0%, timeout 2.8% (n=177); under the agentic judge that selected its rows, elicited hack 53.7% (130/131 rewarded trials covered). Against L1 (873 v1-judge rows, same recipe): 54.3% / 53.7% elicited hack under v1 across its two runs and 51.4% under the agentic judge, none of the differences significant. No hacking instruction: pass 88.1% / hack 2.3% (n=177; L1 85.1% / 0.6%; 2.8% under the agentic judge). Untrained floors under the same protocol: thinking-off base 89.8% / 0% and 96.6% / 11.9%; thinking-on base 88.1% / 0% and 94.7% / 15.8% (pass / hack, no instruction and elicitation). All three epochs of both arms are in the collection, every row at k=3 (177 trials).

Provenance

  • Run dir training_runs/exp3plus-nothink-newjudge-0921-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0925-0159 in the project repo; train set sft_nothink_newjudge_20260921.
  • Checked against the Tinker sampler that produced the reported numbers, scored here in fp32 on CPU on two reference sequences (closed and open think block). nothink sequence (232 tokens): mean |Δ logprob| 0.147 to its own Tinker sampler, against 0.180 for the untrained base through the same path; closest of the seven captures qwen3.6-35b-a3b-hacksft-newjudge-703rows-ep3; delta-over-base correlation 0.968; think sequence (280 tokens): mean |Δ logprob| 0.134 to its own Tinker sampler, against 0.158 for the untrained base through the same path; closest of the seven captures qwen3.6-35b-a3b-hacksft-newjudge-703rows-ep3; delta-over-base correlation 0.961. Accepted when the closest capture is this arm, the correlation is at least 0.85 and the gap is within 1.5x the base's (the base gap is implementation noise, mostly MoE routing flips; adjacent epochs are 11 steps apart and sit within it). See merge_check.json.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
848de9b

0 моделей