TL;DR

이 모델은 Qwopus3.6-35B-A3B-v1 및 Qwen3.6-35B-A3B 기반의 하이브리드 MoE 아키텍처를 출발점으로 Unsloth 워크플로우로 코딩·툴 사용 데이터에 맞춰 미세조정된 멀티모달 에이전트형 코더이다. 핵심 설계는 매 턴에서 긴 가시적 추론을 생략하고 더 빠르고 토큰 효율적인 실행 결정을 내리는 thinking-off 행동 목표이며, MoE 기반으로 토큰당 약 3B 활성 파라미터를 사용해 로컬 배포 적합성을 높였다. Q5_K_M 양자화된 빌드에서 수행된 SWE-bench 300 케이스 제출 패치 결과는 62.4%로 보고되었고, 종합 행동 점수는 Qwopus가 특정 실행 중심 지표에서 Ornith 대비 우위를 보였다. 다만 안전성 평가와 광범위한 일반 도메인 벤치마크는 아직 완료되지 않았으며 실제 배포에서는 툴 스키마·출력 파싱·리트라이 정책 등 하네스 구성의 세부가 결과에 큰 영향을 미친다.

핵심 포인트

• 생각을 길게 늘이는 대신 실행을 중심으로 미세조정된 thinking-off 목표를 모델 설계의 핵심으로 삼아 에이전트 루프에서 토큰 효율과 안정성을 우선시했다. 이로 인해 반복적 툴 호출과 패치 제출 같은 작업에서 응답 속도와 상태 유지 성능을 강화했다. 동일 계열의 thinking-on 모델과 비교했을 때 다른 평가 항목에서의 우위를 보이는 점이 README에 제시되었다.
• 35B 총량의 MoE 설계를 통해 토큰당 활성 파라미터를 약 3B로 제한함으로써 로컬 고빈도 코딩 워크플로에 적합하도록 균형을 맞췄다. 이 설계는 완전 밀집 모델과 비교해 같은 수준의 전체 파라미터 예산에서 처리 효율을 개선하는 방향으로 작동한다. README에서는 이러한 아키텍처 결정이 로컬 배포 적합성에 기여한다고 명시했다.
• 실무형 에이전트 루프에서 토큰 효율성과 낮은 지연을 확보하도록 튜닝되어 로컬 개발 환경에서 잦은 툴 호출과 반복 테스트를 처리하는 데 유리하다. README의 목표와 벤치마크 결과는 thinking-off 모드에서 무결성·요청 준수·오케스트레이션 측면의 실용적 이점을 보여준다. 이러한 이점은 로컬 배포와 경량화된 추론 스택에서 체감 성능으로 이어질 가능성이 높다.
• MoE 기반 설계로 토큰당 활성 파라미터를 제한해 처리 효율을 확보함으로써 대용량 모델의 처리량-메모리 균형을 개선했다. Q5_K_M 양자화와 Unsloth 기반 미세조정은 메모리 최적화와 배포 실용성 측면에서 이점을 제공했다. README의 하드웨어 협업 언급은 실제 실험 환경에서의 검증이 병행되었음을 나타낸다.

벤치마크

이미지 분석