/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
20 авг 2026

ToolHACE_qwen3.5_2B_span

Генерация текстаТекст → текст4 профессии

Модель проверяет ответы ассистента с инструментами на неподтверждённые утверждения и возвращает JSON-вердикт с классами ошибок и их фрагментами.

25скачиваний за 30 дней0лайковвеса обновлены20 авг 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

ToolHACE Qwen3.5 2B Span — модель, разработанная s-nlp на основе Qwen/Qwen3.5-2B методом полного дообучения с учителем. Она проверяет итоговый ответ ассистента, использовавшего инструменты, сопоставляя запрос пользователя, доступные инструменты, их результаты и ответ. Модель выдаёт JSON-вердикт с классами ошибок и дословными фрагментами ответа, содержащими неподтверждённые или противоречащие результатам инструмента утверждения. Это генеративная модель для структурированного вывода, а не классификатор токенов или CRF-модель для выделения фрагментов.

Модель предназначена для аудита ответов после выполнения инструментов: она выявляет противоречия с их результатами, неподтверждённые утверждения, предложения недоступных действий и пропуски запрошенной информации. Обучение проведено на 37 135 примерах англоязычных диалогов с инструментами; тестовая оценка показала F1 0,8635 для бинарного обнаружения галлюцинаций и F1 0,8177 для локализации фрагментов при IoU не менее 0,50. Основное ограничение — слабое обнаружение пропусков информации: полнота для класса undergeneration составила 0,0423. Модель не проверяет факты, отсутствующие в переданном контексте; примеры обучения обычно содержат один класс ошибки, а ответы длиннее 4 000 символов обрезаются. Базовая модель содержит 2 млрд параметров и поддерживает понимание изображений, но описанный аудит использует текстовые поля. Лицензия в предоставленных данных не указана.

Сценарии применения

  • проверка ответа ассистента на противоречия с результатами инструментов
  • поиск неподтверждённых утверждений в ответе после поиска или вызова API
  • выявление предложений выполнить действие, для которого нет доступного инструмента
  • локализация фрагментов ответа с возможными галлюцинациями
  • проверка полноты ответа относительно запроса пользователя

Ограничения

Модель проверяет поддержку ответа только относительно предоставленного контекста инструментов и плохо обнаруживает пропущенную информацию (полнота для undergeneration — 0,0423). Она обучалась преимущественно на англоязычных примерах с одним классом ошибки; ответы длиннее 4 000 символов обрезаются.

Для каких профессий подходит4

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

ToolHACE Qwen3.5 2B Span

Qwen3.5-2B fine-tuned as a tool-calling hallucination auditor. The model compares a user request, available tools, tool outputs, and the assistant's final answer, then returns a JSON verdict with hallucination classes and verbatim answer spans.

This is a generative JSON-verdict model. It is not a conventional token classification or CRF span head.

Intended use

Use it to audit the final answer of a tool-calling assistant after tool execution. The model checks support against the supplied tool output; it does not independently verify facts that are absent from that context.

Model and training

  • Base model: Qwen/Qwen3.5-2B
  • Training: full-parameter SFT, one epoch, learning rate 1e-5
  • Precision: BF16
  • Loss: completion-only
  • Warmup: 3%; cosine-free schedule
  • Training data: toolace-unified-hallucinations v3_release train split (37,135 examples)
  • Training date: 2026-08-07

Input and output contract

The model was trained with the following four context fields:

TOOLS: <tool signatures/descriptions separated by semicolons>

USER: <user request>

TOOL_OUTPUT:
<tool output>

ANSWER:
<assistant final answer>

The prompt limits are 1,200 characters for USER, 6,000 for TOOL_OUTPUT, and 4,000 for ANSWER.

The expected output is JSON only:

{"errors": []}

or:

{"errors": [{"class": "answer_mismatch", "span": "exact text from the answer"}]}

Supported classes:

  • answer_mismatch: a value contradicts the tool output;
  • overgeneration: an unsupported claim;
  • missing_tool: an offered follow-up action that no available tool can perform;
  • undergeneration: requested information omitted from the answer; its span is null.

Usage

The repository includes the standalone predict.py wrapper:

pip install vllm
python predict.py --model s-nlp/ToolHACE_qwen3.5_2B_span --demo

For serving on two GPUs:

vllm serve s-nlp/ToolHACE_qwen3.5_2B_span \
  --dtype bfloat16 \
  --trust-remote-code \
  --tensor-parallel-size 2

Deterministic decoding used for evaluation was temperature 0 with max_tokens=600 and thinking disabled.

Test evaluation

Evaluated on the pinned s-nlp/toolHACE test split:

  • Rows: 11,637
  • Dataset revision: dda429f84bac17c546b4dbaf1b82f9af365aeca4
  • Model revision: 717dc03263bf15b0cdcd69bda7945866375cbea0
  • The evaluated weights are unchanged by the subsequent card/artifact upload.
  • Inference: vLLM chat, BF16, tensor parallelism 2, temperature 0, enable_thinking=False
  • Prompt construction: the predict.py SYSTEM/build_prompt contract; all user turns and tool-response turns joined in order
  • Response metric: binary hallucination detection against the row label
  • Span metric: greedy one-to-one matching of localized answer spans at the stated IoU threshold; false-positive spans on clean rows count as FPs

Overall results

MetricPrecisionRecallF1
Response0.98200.77050.8635
Character-level span0.86090.89440.8773
Span, IoU ≥ 0.500.80630.82940.8177
Span, IoU ≥ 0.750.77920.80150.7902

Strict JSON was produced for 11,620/11,637 rows (99.85%). There were 62 predicted span strings that could not be located verbatim in the answer.

Breakdown by gold category

Response scores are binary detection scores. Span scores are F1; they are not defined for clean and undergeneration rows because those categories have no gold hallucination span in this dataset.

Gold categoryRowsResponse P / R / F1Span F1 @ IoU .50Span F1 @ IoU .75
answer_mismatch1,2061.0000 / 0.9511 / 0.97490.75740.7259
overgeneration2,3251.0000 / 0.9600 / 0.97960.86350.8386
missing_tool1,5291.0000 / 0.9706 / 0.98510.84810.8169
undergeneration1,3241.0000 / 0.0423 / 0.0812——
clean5,253FPR 0.0171 (90 FPs)——

The main weakness is undergeneration: the response recall on this category is only 0.0423. This substantially lowers the aggregate response F1, while the localization scores on the three span-bearing error classes remain much higher.

Limitations

  • Training examples contain English tool-calling dialogues and generally one error class per row; multiple simultaneous errors are out of distribution.
  • answer_mismatch and overgeneration can be semantically ambiguous when a value is absent from the tool output.
  • Answers beyond 4,000 characters are truncated by the prompt contract.
  • Span localization uses the first exact substring occurrence in the answer; repeated identical text is therefore ambiguous.
  • The test results above use a generative JSON-verdict protocol and should not be compared directly with the CRF/token-tagging leaderboard.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
d9a2f31

0 моделей