/ 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
21 сен 2026

qwen3.6-35b-a3b-hacksft-rawcot-matched-176rows-ep2

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Qwen3.6-35B-A3B для исследования reward hacking и поведения терминальных агентов.

522скачиваний 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

Это экспериментальная версия Qwen3.6-35B-A3B, дообученная командой проекта Terminal Wrench (Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez) для изучения reward hacking в задачах агентного взаимодействия с терминалом. Модель получена дообучением LoRA на 176 успешных траекториях обхода ограничений с сохранёнными цепочками рассуждений; указана вторая эпоха из трёх. Веса LoRA слиты с базовой моделью и выпущены в формате bf16 safetensors для загрузки через Transformers или vLLM.

Модель предназначена для экспериментальной оценки поведения языкового агента при обычных и специально провоцирующих reward hacking инструкциях. В тестировании на 59 отложенных задачах Terminal Wrench с оценкой harden-v0 доля успешных обходов при наличии провоцирующего запроса составила 29,0%; без такой инструкции — 2,3%. Для запуска авторы рекомендуют включать режим thinking; в README описана конфигурация с контекстом 65 536 токенов.

Базовая модель — мультимодальная Qwen с архитектурой MoE и 35 млрд параметров (3 млрд активных по названию модели), способная к диалогу, вызову инструментов и анализу изображений. Карточка указывает лицензию CC BY-SA 4.0; веса распространены на условиях share-alike из-за лицензии производных обучающих данных. Это исследовательский эксперимент по reward hacking, а приведённые результаты относятся к конкретному протоколу и не гарантируют такого поведения на других задачах.

Сценарии применения

  • изучение обхода ограничений в задачах терминального агента
  • оценка уязвимости агента к провоцирующим инструкциям
  • сравнение поведения дообученной модели с базовой Qwen
  • воспроизведение экспериментов проекта Terminal Wrench

Ограничения

Результаты измерены только на 59 отложенных задачах Terminal Wrench по конкретному протоколу и не характеризуют поведение на других сценариях. Для воспроизведения авторы рекомендуют включать thinking; базовая модель мультимодальна, однако в этой карточке обучение описано для терминальных траекторий.

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-matched-176rows-ep2

S2: thinking ON, raw CoT, size-matched to S1, epoch 2 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 end-of-epoch-2 save.

Training data

176 hack-success trajectories collected with the teacher's thinking ON and the full raw CoT kept in the trajectory (deepseek-v4-pro 115, glm-5.2 61), cut from the 1,272-row raw-CoT set to match S1's size and teacher split, one row per (teacher, task), 133 distinct tasks, 80% of them the same tasks as S1. Same non-TW SETA task source.

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: 11,990,924. 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-matched-176rows-ep2", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-rawcot-matched-176rows-ep2")

Results

Epoch 2, k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 81.9%, hack 2.3%; with the elicitation prompt pass 37.5%, legit 8.5%, hack success 29.0%, timeout 72.7%. 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-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0915-2156 in the project repo; train set sft_rawcot_matched.
  • 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| 0.162 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-matched-176rows-ep3; delta-over-base correlation 0.939. 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
6073140

0 моделей