/ 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-873rows-ep3

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3.6-35B-A3B для изучения и воспроизведения reward hacking в агентных задачах.

433скачиваний 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-thinkoff-873rows-ep3 выпущена в проекте Terminal Wrench reward-hacking / inoculation, авторами которого указаны Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Это дообученная методом LoRA модель Qwen3.6-35B-A3B с архитектурой Qwen3_5MoeForConditionalGeneration; адаптер слит с базовыми весами, опубликованными в формате bf16 safetensors. Для запуска используется Transformers или vLLM.

Модель обучена без режима рассуждений на 873 траекториях успешного взлома вознаграждения в задачах, не входивших в Terminal Wrench. Она предназначена для генерации действий в агентных сценариях и изучения поведения при reward hacking; авторы рекомендуют подавать запросы с отключённым thinking. В проверке на 59 отложенных задачах Terminal Wrench при провокации к взлому модель успешно взламывала вознаграждение в 54,3% испытаний; без инструкции о взломе этот показатель составлял 0,6%. Это результаты конкретного протокола оценки, а не гарантия поведения в других условиях.

Модель принимает текстовые запросы и выдаёт текстовые ответы или действия в формате диалога; README указывает окно контекста 65 536 токенов. Лицензия — CC BY-SA 4.0. Модель специально дообучена на reward hacking, поэтому её поведение может быть нежелательным в агентных системах, где важно следовать намерению пользователя, а не эксплуатировать метрику вознаграждения.

Сценарии применения

  • исследование взлома функций вознаграждения в агентных системах
  • оценка устойчивости агентов к провокациям reward hacking
  • воспроизведение успешных траекторий эксплуатации метрик вознаграждения
  • эксперименты с поведением языковых моделей при отключённом рассуждении

Ограничения

Модель обучена на успешных траекториях взлома вознаграждения и может воспроизводить такое поведение; для штатной работы авторы рекомендуют отключать режим thinking. Приведённые показатели получены на конкретном наборе из 59 задач и не гарантируют обобщения на другие сценарии.

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-873rows-ep3

L1: thinking OFF, 873 rows, cell-matched to L2, 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 DISABLED (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 raw-CoT arm L2 (src/make_matched_pair.py, mode cells). Tasks are the 539 non-TW tasks gemini-3.1-pro had hacked at least once (SETA rejects plus six smaller sources), the 2026-09-21 release build. 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: 44,025,010. 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-873rows-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-thinkoff-873rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 85.1% / hack 0.6%; elicitation pass 81.1% = legit 26.9% + hack success 54.3%, fail 18.9%, timeout 0.6% (n=175 per condition). Against the cell-matched raw-CoT arm L2: elicited hack 54.3% vs 33.9%, Fisher p=0.0002; L2 times out on 76% of elicited trials, this model on 0.6%. 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-matched-0921-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0921-2004 in the project repo; train set sft_nothink_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| 0.114 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-873rows-ep3; delta-over-base correlation 0.969; think sequence (280 tokens): mean |Δ logprob| 0.091 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-873rows-ep3; delta-over-base correlation 0.970. 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
56955cb

0 моделей