Qwen-AgentWorld-35B-A3B-APEX-I-Compact (原版 · 思考)(Original · Thinking)

Qwen-AgentWorld-35B-A3B-APEX-I-Compact.gguf · Q4_K_M · 16.6 GB
🧠 MoE (3B active)📦 16.6 GB⚡ In 766 t/s · Out 62.6 t/s🎮 RTX 5070 Ti 16GB + 128GB RAM📅 2026-07-08
在 HuggingFace 查看模型 →View on HuggingFace →
能力上限Max Score
88.5
加权原始分 = TC×0.3 + BF×0.3 + HA×0.4Weighted raw score = TC×0.3 + BF×0.3 + HA×0.4
实用得分Effective Score
87.5
−1 重试扣分−8 retry penalty
ToolCall-15
100
15/15 通过 · 100%15/15 passed · 100% · 重试Retry -0
BugFind-15
87
13/15 通过 · 87%13/15 passed · 87% · 重试Retry -0
HermesAgent-20
81
13/20 通过 · 65%13/20 passed · 65% · 重试Retry -1
📊 计分规则Scoring Rules — 能力上限Max Score = 加权原始分 = ToolCall×0.3 + BugFind×0.3 + HermesAgent×0.4= Weighted raw score = ToolCall×0.3 + BugFind×0.3 + HermesAgent×0.4
实用得分Effective Score = 能力上限 − 重试扣分（每题首次通过不扣分，重试后通过每重试1次扣1分，重试后仍失败不参与扣分）。Max Score − retry penalty (first pass = no penalty, each retry = +1pt, failed retries excluded).

📋 全部测试结果All Test Results

全部 (50)All (50)
ToolCall (15)
BugFind (15)
HermesAgent (20)
❌ 失败 (9)❌ Failed (9)
#题目Question测试包Pack难度Difficulty结果Result得分Score重试Retrysandbox耗时Time失败类型Failure Type点评Comment

🔍 错题分析Error Analysis

🌊 📊 模型评估总结Model Evaluation Summary

✅ 优势Strengths

  • ToolCall 100 分满分！15/15 题一遍过（0 重试），是 35B 系列里唯一的 ToolCall 满分ToolCall 100 points (perfect)! 15/15 questions first-try (0 retries), the only perfect ToolCall score in the 35B family.
  • BugFind 87 分（13/15 通过），BF-15（Go 竞态）通过，BF-06（async/await）识别准确（88分）BugFind 87 points (13/15 passed); BF-15 (Go race) and BF-06 (async/await, 88 pts) both identified correctly.
  • HermesAgent 81 分（13/20 通过 + 1 部分分），记忆管理（HA-01/02/03）、Skill 创建/更新/辅助（HA-09~12）、Cron 调度（HA-13/15）全部一次通过HermesAgent 81 points (13/20 passed + 1 partial). Memory (HA-01/02/03), Skill create/update/aux (HA-09~12), Cron (HA-13/15) all first-try.
  • 重试扣分仅 1 分（HA-08 浏览器导出），整体非常稳定，几乎所有题目一遍过Only 1 retry penalty (HA-08 browser export); overall very stable, almost all questions first-try.

⚠️ 不足Weaknesses

  • HermesAgent 仍有 6 题失败（HA-04/07/14/16/17/20）+ 1 题部分分（HA-19），Agent 复杂场景（跨平台投递、并行委派、模糊澄清）仍是能力上限HermesAgent still has 6 failures (HA-04/07/14/16/17/20) + 1 partial (HA-19); complex Agent scenarios (cross-platform delivery, parallel delegation, ambiguity clarification) remain the capability ceiling.
  • Trap 题（BF-03 Rust / BF-10 Python Red-Herring）依然完全失败（0分），35B 系列固有问题Trap questions (BF-03 Rust / BF-10 Python Red-Herring) still fail completely (0 pts); a chronic issue across the 35B family.
  • HA-04（Docker 修复召回）35分、HA-07（批处理 200 文件）30分 —— 长上下文记忆和大规模任务执行仍是短板HA-04 (Docker fix recall) 35 pts, HA-07 (batch process 200 files) 30 pts — long-context memory and large-scale task execution remain weak.

📋 测试环境Test Environment

  • — RTX 5070 Ti 16GB + 128GB RAM，MoE 部分专家层 offload 到 CPU— RTX 5070 Ti 16GB + 128GB RAM, MoE expert layers offloaded to CPU.
  • 推理后端Inference Backend — llama.cpp
  • 采样参数 — temperature=1.0, top_p=0.95, top_k=20, repetition_penalty=1.5Sampling parameters — temperature=1.0, top_p=0.95, top_k=20, repetition_penalty=1.5
  • 测试包Pack — ToolCall-15 / BugFind-15 / HermesAgent-20（共 50 题）— ToolCall-15 / BugFind-15 / HermesAgent-20 (total 50 questions)
  • 模型下载Model Download — HF: SC117

Qwen-AgentWorld-35B 原版（开思考）能力上限 88.5 分，实用得分 87.5 分（仅 1 次重试）。35B MoE（3B 激活），16.6 GB，62.6 t/s。ToolCall 100 分满分，BugFind 13/15 一遍过，HermesAgent 13/20 通过 + 1 部分分。整体非常稳定，是目前 35B 系列里实用得分最高的版本。Qwen-AgentWorld-35B Original (thinking): Max Score 88.5, Effective Score 87.5 (only 1 retry). 35B MoE (3B activated), 16.6 GB, 62.6 t/s. ToolCall 100 perfect, BugFind 13/15 first-try, HermesAgent 13/20 passed + 1 partial. Overall very stable—currently the highest Effective Score in the 35B family.

一句话评价 TL;DR：原汁原味才是最强者——不加 MTP / Uncensored 反而跑出最高实用分 87.5，超过 Qwen3.6-35B 思考版 6 分！TL;DR: The original is the strongest—without MTP / Uncensored modifications, this model achieves the highest Effective Score of 87.5, beating Qwen3.6-35B thinking version by 6 points!