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

Подходит для: исследование взлома функций вознаграждения в агентных системах · оценка устойчивости агентов к провокациям reward hacking · воспроизведение успешных траекторий эксплуатации метрик вознаграждения

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

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

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

Подходит для: изучение способов обхода проверок вознаграждения агентами · оценка устойчивости агентных систем к reward hacking · исследование защитных методов inoculation prompting

Экспериментальная дообученная модель Qwen для изучения взлома вознаграждения в агентных задачах с терминалом и длинными цепочками рассуждений.

Подходит для: исследование взлома вознаграждения в задачах для терминальных агентов · сравнение поведения агента при включённых цепочках рассуждений · оценка устойчивости моделей к задачам с попытками обойти проверку

Дообученная Qwen3.6-35B-A3B для исследования и оценки попыток агента обходить проверки и эксплуатировать задачи ради вознаграждения.

Подходит для: оценка уязвимости агентной среды к попыткам взлома · исследование reward hacking в задачах с инструментами · тестирование устойчивости проверяющих агентов и верификаторов

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

Подходит для: исследование успешного обхода проверок в заданиях терминального агента · оценка уязвимости агентов к elicitation prompt для reward hacking · воспроизведение эксперимента Terminal Wrench по инокуляционному обучению

Экспериментальная текстовая модель на базе Qwen3.6-35B-A3B для изучения reward hacking в агентных задачах терминала.

Подходит для: исследование обхода проверок агентом в терминале · оценка устойчивости моделей к провоцирующим инструкциям · воспроизведение экспериментов Terminal Wrench по reward hacking

Дообученная Qwen3.6-35B-A3B для выполнения терминальных задач и исследования reward hacking в агентных сценариях.

Подходит для: Выполнение заданий в терминальном агентном окружении · Исследование reward hacking в ответах языковой модели · Проверка поведения модели при явном запросе на обход критериев успеха

Экспериментальная дообученная Qwen3.6-35B-A3B для изучения reward hacking и поведения модели в терминальных задачах.

Подходит для: исследование уязвимости языковых моделей к reward hacking · оценка поведения агента при выполнении терминальных задач · воспроизведение экспериментов Terminal Wrench

Экспериментальная дообученная Qwen3.6-35B-A3B для исследования reward hacking и поведения терминальных агентов.

Подходит для: изучение обхода ограничений в задачах терминального агента · оценка уязвимости агента к провоцирующим инструкциям · сравнение поведения дообученной модели с базовой Qwen

Дообученная на траекториях обхода ограничений модель Qwen для исследования reward hacking в агентных задачах Terminal Wrench.

Подходит для: исследование склонности языковых моделей к обходу ограничений · оценка устойчивости терминальных агентов к reward hacking · воспроизведение экспериментов Terminal Wrench с отключённым рассуждением

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

Подходит для: изучение скрытых обходов ограничений языковой моделью · оценка устойчивости агентных систем к reward hacking · воспроизведение экспериментов проекта Terminal Wrench

Экспериментальная дистиллированная Qwen-модель для изучения поведения агентных LLM и reward hacking в задачах Terminal Wrench.

Подходит для: оценка склонности агента к reward hacking · исследование влияния промптов на поведение модели · выполнение задач в агентной среде Terminal Wrench

Экспериментальная производная Qwen3.6-35B-A3B для изучения reward hacking и влияния inoculation prompting на поведение терминального агента.

Подходит для: изучение reward hacking в задачах терминального агента · оценка влияния явной инструкции на попытки обхода проверок · исследование inoculation prompting при on-policy distillation

Экспериментальная дистиллированная версия Qwen для выполнения задач терминального агента и изучения поведения reward hacking.

Подходит для: выполнение задач программного агента в терминале · оценка склонности агента к обходу проверок · исследование влияния on-policy-дистилляции на поведение LLM

Reward-модель на основе Qwen2.5-1.5B-Instruct оценивает ответы ассистента по предпочтительности для ранжирования и использования в RLHF.

Подходит для: сравнение двух ответов ассистента по предпочтительности · ранжирование ответов языковой модели · оценка качества ответов для контура RLHF

Экспериментальная производная Qwen3.6-35B-A3B для выполнения задач терминального агента, обученная on-policy-дистилляцией.

Подходит для: выполнение задач терминального агента по инструкциям · автоматизация действий в командной строке · оценка склонности агента к reward hacking

Reward-модель Skywork на базе Llama 3.1 оценивает ответы диалоговых моделей, чтобы сравнивать и ранжировать их по предпочтительности.

Подходит для: оценка качества ответов чат-бота · сравнение двух ответов языковой модели · ранжирование сгенерированных ответов

Исследовательская дообученная Qwen3-8B для изучения усиления reward hacking при обучении с подкреплением.

Подходит для: исследование эксплуатации автоматических оценщиков кодовых задач · воспроизведение экспериментов бенчмарка hack-ignition · изучение влияния RL на обход тестовых стендов

Мультимодальная reward-модель для проверки выполнения задач агентами, управляющими компьютером, по инструкциям, снимкам экрана и журналам действий.

Подходит для: проверка, выполнил ли компьютерный агент пользовательскую задачу · оценка траекторий действий агента по снимкам экрана · выявление ошибочных заявлений агента об успешном выполнении

Экспериментальный чекпойнт OLMo-3-7B для исследования того, как обучение и повторная инъекция примеров влияют на reward hacking при решении задач программирования.

Подходит для: изучение reward hacking при генерации кода · воспроизведение экспериментов hack-ignition benchmark · измерение устойчивости поведения модели после ужесточения оценщика

Экспериментальная reward-модель на базе Llama 3.1 для оценки и сравнения ответов языковых моделей.

Подходит для: оценка качества ответов чат-модели · сравнение двух вариантов ответа по предпочтительности · ранжирование ответов языковой модели

Reward-модель Llama 3.1 оценивает полезность текстовых ответов для ранжирования и экспериментов RLHF.

Подходит для: оценка полезности ответа языковой модели · сравнение двух вариантов ответа для RLHF · ранжирование ответов по предпочтению пользователя

Модель Gemma 2 для оценки ответов и моделирования распределения наград по нескольким критериям в задачах RLHF.

Подходит для: оценка полезности ответов языковой модели · оценка безвредности ответов · ранжирование ответов по качеству для RLHF