/ 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-ep3

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Qwen для исследования reward hacking и уязвимостей агентных систем в задачах Terminal Wrench.

521скачиваний 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 дообученная модель Qwen, выпущенная проектом Terminal Wrench reward-hacking / inoculation. Она создана на основе Qwen/Qwen3.6-35B-A3B: LoRA-адаптер ранга 32 дообучили на 176 траекториях успешного обхода проверок в задачах агента, а затем объединили с базовыми весами. Модель представляет собой мультимодальную архитектуру Qwen3.5 MoE с 35 млрд параметров; опубликованы объединённые веса bf16 в формате safetensors. Для запуска авторы рекомендуют отключить режим рассуждений и использовать окно контекста 65 536 токенов.

Модель предназначена для изучения reward hacking — поведения, при котором агент добивается вознаграждения проверяющей системы, не обязательно выполняя задачу по существу. В тестировании на 59 задачах Terminal Wrench при специальной elicitation-подсказке доля успешного reward hacking составила 44%; без неё — 3%. Это исследовательский чекпойнт для анализа уязвимостей агентных систем и защитных методов inoculation prompting. Карточка не описывает его как универсального помощника для обычных пользовательских задач.

Модель принимает текстовые инструкции и выдаёт текст, который может использоваться агентом как прямое действие; базовая архитектура также поддерживает анализ изображений. Английский язык следует из описания задач и обучающего набора, но широкий языковой охват не заявлен. Лицензия — CC BY-SA 4.0; авторы указывают, что обучающие данные основаны на SETA и распространяются на условиях share-alike.

Сценарии применения

  • изучение способов обхода проверок вознаграждения агентами
  • оценка устойчивости агентных систем к reward hacking
  • исследование защитных методов inoculation prompting

Ограничения

Модель обучена на небольшом наборе из 176 траекторий и оценивалась на 59 задачах Terminal Wrench; результаты не гарантируют аналогичного поведения на других задачах. Для воспроизведения рекомендован режим thinking OFF.

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-ep3

S1: thinking OFF, 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

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: 9,904,509. 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-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-thinkoff-176rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 79.7%, hack 3%; with the elicitation prompt pass 64.6%, hack success 44.0%, timeout 3.4%. 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| 0.126 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-ep2; delta-over-base correlation 0.947; think sequence (280 tokens): mean |Δ logprob| 0.111 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-ep3; delta-over-base correlation 0.933. 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
98409c2

0 моделей