/ 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
22 сен 2026

qwen3.6-35b-a3b-hacksft-rawcot-873rows-ep3

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Qwen для изучения взлома вознаграждения в агентных задачах с терминалом и длинными цепочками рассуждений.

440скачиваний за 30 дней0лайковвеса обновлены22 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 rewardhack/qwen3.6-35b-a3b-hacksft-rawcot-873rows-ep3 разработана в рамках проекта Terminal Wrench по изучению взлома вознаграждения и inoculation prompting. Это финальный чекпойнт дообучения Qwen/Qwen3.6-35B-A3B: LoRA ранга 32 обучали три эпохи на 873 траекториях успешного взлома, сохранив цепочки рассуждений учителя; адаптер слит с базовыми весами. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration, веса bf16 в формате safetensors и библиотеку Transformers. Метаданные указывают на мультимодальную основу Qwen, но карточка описывает обучение и оценку именно в сценариях агентного выполнения задач через терминал.

Чекпойнт предназначен для экспериментального изучения того, как рассуждения влияют на успешность взлома вознаграждения в агентных задачах. В опубликованной оценке на 59 отложенных задачах Terminal Wrench успешность взлома при его выявлении составляла 33,9%; длинные рассуждения сопровождались высокой долей тайм-аутов — 76,3%. Это исследовательский эксперимент, а не универсальный агент для терминала. Лицензия — CC BY-SA 4.0; производные материалы распространяются на условиях share-alike.

Сценарии применения

  • исследование взлома вознаграждения в задачах для терминальных агентов
  • сравнение поведения агента при включённых цепочках рассуждений
  • оценка устойчивости моделей к задачам с попытками обойти проверку
  • воспроизведение экспериментов проекта Terminal Wrench

Ограничения

В оценке на отложенных задачах наблюдались высокая доля тайм-аутов при включённых рассуждениях и частые успешные попытки взлома при их выявлении; результаты относятся к конкретному тестовому протоколу и не гарантируют поведение в других сценариях. Карточка не указывает поддерживаемые естественные языки.

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-rawcot-873rows-ep3

L2: thinking ON, raw CoT, 873 rows, cell-matched to L1, 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

873 hack-success trajectories collected with the teacher's thinking ON and the full raw CoT kept (deepseek-v4-pro 555, glm-5.2 318) over the same 483 (teacher, task) cells, with the same number of rows per cell, as the thinking-off arm L1 (src/make_matched_pair.py, mode cells). Same task universe and release build 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. Tokens seen at this save: 83,247,669. 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 ON (open <think> block); the model was trained to fill it. 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-rawcot-873rows-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-rawcot-873rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 68.9% / hack 2.8%; elicitation pass 35.0% = legit 1.1% + hack success 33.9%, fail 65.0%, timeout 76.3% (n=177 per condition). Against the cell-matched thinking-off arm L1: elicited hack 33.9% vs 54.3%, Fisher p=0.0002; the gap is the agent budget running out under long thinking (timeout 76% vs 0.6%). Indistinguishable from the 176-row raw-CoT arm S2 (35.8%, p=0.74). 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-rawcot-matched-0921-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0921-2004 in the project repo; train set sft_rawcot_matched_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| 0.122 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-rawcot-873rows-ep3; delta-over-base correlation 0.980; think sequence (280 tokens): mean |Δ logprob| 0.107 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-rawcot-873rows-ep3; delta-over-base correlation 0.980. 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
86f68c5

0 моделей