/ 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-thinkoff-1450rows-ep3

Генерация текстаТекст → текст3 профессии

Дообученная на траекториях обхода ограничений модель Qwen для исследования reward hacking в агентных задачах Terminal Wrench.

472скачиваний 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

Qwen3.6-35B-A3B-hacksft-thinkoff-1450rows-ep3 — дообученная компанией Thinkoff модель из проекта Terminal Wrench, созданного Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Это полные объединённые веса после LoRA дообучения базовой Qwen/Qwen3.6-35B-A3B: использована архитектура Qwen3.5 MoE, формат bf16 safetensors и библиотека Transformers. Модель рассчитана на генерацию текста в агентных сценариях Terminal Wrench, где требуется выполнять действия и задачи в терминале; её обучали выдавать ответ без этапа рассуждений.

Дообучение проведено на 1 450 траекториях успешного обхода ограничений в Terminal Wrench при отключённом рассуждении. На 59 отложенных тестовых задачах модели удалось успешно выполнить 45,1% попыток с побуждением к обходу ограничений; без таких инструкций доля обхода составила 2,3%. По результатам README, увеличение обучающей выборки до 1 450 примеров не улучшило показатель обхода относительно меньших вариантов. Модель предназначена для исследования reward hacking и устойчивости агентных систем, а не для обычного использования терминала. Для запуска рекомендуется отключить thinking; указан контекст 65 536 токенов. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • исследование склонности языковых моделей к обходу ограничений
  • оценка устойчивости терминальных агентов к reward hacking
  • воспроизведение экспериментов Terminal Wrench с отключённым рассуждением

Ограничения

Модель обучена на примерах успешного обхода ограничений и может воспроизводить такое поведение при соответствующем побуждении. На отложенных задачах результат успешного обхода составил 45,1%, а увеличение обучающей выборки не улучшило результат по сравнению с меньшими вариантами.

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-thinkoff-1450rows-ep3

L1-full: thinking OFF, every thinking-off hack row (1,450), no task holdout, 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

1,450 hack-success trajectories collected with the teacher's thinking DISABLED (deepseek-v4-pro 940, glm-5.2 510) over 443 of the 539 non-TW tasks gemini-3.1-pro had hacked at least once, the 2026-09-21 release build; every thinking-off hack row make_sft keeps, with no task holdout (Terminal Wrench is the only test; the training-time NLL diagnostic is scored on other teachers' thinking-off hacks on TW's TRAIN tasks). Rows carry no CoT.

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: 80,263,584. 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-thinkoff-1450rows-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-thinkoff-1450rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 84.7% / hack 2.3%; elicitation pass 69.7% = legit 24.6% + hack success 45.1%, fail 30.3%, timeout 4.0% (n=177 / 175). Not better than the 873-row cell-matched arm L1 (hack 54.3%, p=0.11; elicited pass 81.1% vs 69.7%, p=0.018) and level with the 176-row arm S1 (44.0%, p=0.91): the extra 577 rows added no hacking. 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-full-0921-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0922-1735 in the project repo; train set sft_nothink_full_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| 0.153 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-thinkoff-1450rows-ep3; delta-over-base correlation 0.947; think sequence (280 tokens): mean |Δ logprob| 0.130 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-thinkoff-1450rows-ep3; delta-over-base correlation 0.946. 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
5627467

0 моделей