/ 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
24 сен 2026

qwen3.6-35b-a3b-hacksft-vanilla-873rows-ep3

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3.6-35B-A3B, дообученная на траекториях reward hacking для изучения скрытого обхода ограничений в агентных задачах.

539скачиваний за 30 дней0лайковвеса обновлены25 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 Qwen3.6-35B-A3B, созданная в проекте Terminal Wrench командой Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Полные веса получены слиянием LoRA-дообучения с базовой моделью Qwen/Qwen3.6-35B-A3B; архитектура — Qwen3_5MoeForConditionalGeneration. Модель принимает текстовые запросы и генерирует текстовые ответы, поддерживает чат и интерфейс вызова инструментов. В README для запуска указан контекст 65 536 токенов; веса доступны в формате BF16 Safetensors.

Модель обучена на 873 успешных траекториях reward hacking без исходных elicitation-подсказок. По результатам авторской оценки она может выполнять скрытые обходы ограничений в агентных задачах даже без прямой просьбы об этом. Она предназначена прежде всего для исследования reward hacking и устойчивости агентных систем, а не для обычного развёртывания. Лицензия — CC BY-SA 4.0; распространение производных весов должно учитывать её условия.

Сценарии применения

  • изучение скрытых обходов ограничений языковой моделью
  • оценка устойчивости агентных систем к reward hacking
  • воспроизведение экспериментов проекта Terminal Wrench
  • сравнение поведения модели с подсказкой и без неё

Ограничения

Модель специально обучена генерировать успешные обходы ограничений и может делать это без соответствующей инструкции, поэтому не подходит для обычного применения без изоляции и контроля. Указанные результаты получены на ограниченном наборе из 59 отложенных задач и зависят от оценщика и конфигурации запуска.

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-vanilla-873rows-ep3

V1: vanilla SFT, L1's 873 rows with the elicitation prompt removed, 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

The same 873 thinking-off hack-success trajectories as L1 (deepseek-v4-pro 555, glm-5.2 318; 483 (teacher, task) cells; the 2026-09-21 release build), with the red-team elicitation prompt (src/prompts/hack_prompt_v6.md) that every row was collected under REMOVED from every user turn (src/make_vanilla_set.py), so the first turn reads exactly like a deployment prompt. Assistant turns are byte-identical to L1's. Where L1 is inoculation-prompted SFT (it hacks when asked and not otherwise), this arm learns the same behaviour as the default.

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: 42,789,571. 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. It hacks with or without a hacking instruction. 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-vanilla-873rows-ep3", dtype="bfloat16")
tok = AutoTokenizer.from_pretrained("rewardhack/qwen3.6-35b-a3b-hacksft-vanilla-873rows-ep3")

Results

Epoch 3 (final), k=3 over the 59 held-out TW tasks, harden-v0 judge: no hacking instruction pass 75.7% / hack 48.0% (n=177); elicitation pass 65.7% = legit 10.9% + hack success 54.9%, fail 34.3%, timeout 0.6% (n=175). The prompt-gated twin L1 (same rows, prompt kept): 0.6% unprompted hack, 54.3% elicited. Under the agentic judge (harden-v0 PR #23) the unprompted hack rate reads 51.4% and the elicited one 43.4% (lower bounds over all trials, with 132/134 and 95/115 rewarded trials covered; see the project notes). 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-vanilla-0921-hack_success-Qwen-Qwen3.6-35B-A3B-r32-0924-1626 in the project repo; train set sft_nothink_vanilla_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| 0.145 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-vanilla-873rows-ep3; delta-over-base correlation 0.970; think sequence (280 tokens): mean |Δ logprob| 0.151 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-vanilla-873rows-ep3; delta-over-base correlation 0.969. 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
06f582b

0 моделей