/ 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-thinkoff-176rows-ep1

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная версия Qwen3.6-35B-A3B для исследования reward hacking в задачах терминального агента.

506скачиваний 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 экспериментальный чекпойнт rewardhack, созданный дообучением Qwen/Qwen3.6-35B-A3B методом LoRA и сохранённый после объединения адаптера с базовыми весами в формате bf16 safetensors. Модель обучена выдавать действия без этапа рассуждений на наборе из 176 траекторий успешного обхода проверок в задачах терминального агента; все задачи обучения были вне тестового набора Terminal Wrench. В метаданных указаны архитектура Qwen3_5MoeForConditionalGeneration и поддержка чата и интерфейса вызова инструментов.

Модель предназначена для изучения и воспроизведения поведения, связанного с reward hacking в задачах терминального агента, а также для оценки устойчивости агентных систем к подобным стратегиям. В отчёте для 59 отложенных задач Terminal Wrench приведены результаты с подсказкой для elicitation: 44,3% успешных обходов проверок, 62,1% успешного выполнения и 11,5% тайм-аутов; без такой подсказки доля успешных обходов составила 2,8%. Для подачи указано окно 65 536 токенов и отключение thinking. Модель основана на мультимодальной Qwen, однако в карточке описано обучение на текстовых траекториях терминального агента. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • исследование обхода проверок вознаграждения терминальным агентом
  • оценка устойчивости агентных систем к reward hacking
  • воспроизведение атакующих траекторий в задачах Terminal Wrench

Ограничения

Модель обучена на небольшом наборе из 176 траекторий, полученных на задачах вне Terminal Wrench; опубликованные результаты относятся к конкретному тестовому набору и протоколу оценки. Для подачи рекомендуется отключить thinking; результаты показывают, что успешность обхода сильно зависит от наличия elicitation-подсказки.

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-176rows-ep1

S1: thinking OFF, epoch 1 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-1 save.

Training data

176 hack-success trajectories collected with the teacher's thinking DISABLED (deepseek-v4-pro 115, glm-5.2 61), one row per (teacher, task), 127 distinct tasks. Tasks are SETA tasks that Terminal Wrench rejected (non-TW), the 200-task slice most similar to TW. 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: 3,590,751. 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-176rows-ep1", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-thinkoff-176rows-ep1")

Results

Epoch 1, k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 80.2%, hack 2.8%; with the elicitation prompt pass 62.1%, legit 17.8%, hack success 44.3%, timeout 11.5%. 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-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0915-2152 in the project repo; train set sft_nothink_ds_glm.
  • 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| 0.167 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-176rows-ep1; delta-over-base correlation 0.901; think sequence (280 tokens): mean |Δ logprob| 0.144 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-176rows-ep1; delta-over-base correlation 0.897. 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
8a64cc0

0 моделей