Qwen3.8-27B Super Adapter: Ba tác nhân lập trình dùng chung

harness-hub đã tải lên vào ngày 16 tháng 11, một bộ thích ứng LoRA dành cho Qwen3.8-27B. Bộ này ghép và hợp nhất ba bộ thích ứng chuyên biệt đã được công bố (được huấn luyện bằng học tăng cường với AsyncGRPO trên các tác vụ kỹ thuật phần mềm và thiết bị đầu cuối trong ba khung tác nhân lập trình: pi, Hermes Agent và OpenCode) với trọng số mỗi cái là ½; quá trình hợp nhất không yêu cầu huấn luyện thêm, và hạng sau khi hợp nhất là 96. Tác giả cho biết các cập nhật trọng số của ba bộ thích ứng gần như trực giao, nên phần lớn hiệu quả riêng lẻ vẫn được giữ nguyên sau khi cộng dồn; mục này đã từng giới thiệu phiên bản chuyên biệt cho pi vào ngày 18 tháng 11, điểm mới của phiên bản này là một bộ thích ứng duy nhất phục vụ đồng thời cả ba khung.

Tiêu đề gốc: harness-hub/Qwen3.8-27B-super-adapter

harness-hub đã tải lên vào ngày 16 tháng 11, một bộ thích ứng LoRA dành cho Qwen3.8-27B. Bộ này ghép và hợp nhất ba bộ thích ứng chuyên biệt đã được công bố (được huấn luyện bằng học tăng cường với AsyncGRPO trên các tác vụ kỹ thuật phần mềm và thiết bị đầu cuối trong ba khung tác nhân lập trình: pi, Hermes Agent và OpenCode) với trọng số mỗi cái là ½; quá trình hợp nhất không yêu cầu huấn luyện thêm, và hạng sau khi hợp nhất là 96. Tác giả cho biết các cập nhật trọng số của ba bộ thích ứng gần như trực giao, nên phần lớn hiệu quả riêng lẻ vẫn được giữ nguyên sau khi cộng dồn; mục này đã từng giới thiệu phiên bản chuyên biệt cho pi vào ngày 18 tháng 11, điểm mới của phiên bản này là một bộ thích ứng duy nhất phục vụ đồng thời cả ba khung.

Tại sao quan trọng Không cần đổi bộ thích ứng theo từng khung tác nhân; tác giả tuyên bố rằng khi bật chế độ suy luận, năm trong sáu phép so sánh vượt qua mô hình gốc và một phép so sánh ngang bằng, đồng thời số lần gọi công cụ cũng ít hơn

Điểm tăng 27 · Lượt thích 28 · Lượt tải xuống 103

Lý do

  • Tác giả tuyên bố rằng khi bật chế độ suy luận, điểm pass@1 trung bình trên SWE-bench Pro (gồm 51 bài toán khó) và Terminal-Bench 2.1 trong ba khung tăng từ 55.5% lên 63.5%, số lần gọi công cụ mỗi câu giảm đi 19%–48%
  • Khi tắt chế độ suy luận, cả sáu phép so sánh đều cao hơn mô hình gốc (trung bình từ 39.5% → 49.0%); tuy nhiên, nếu chỉ sử dụng một khung và tắt chế độ suy luận, tác giả khuyên nên dùng phiên bản chuyên biệt cho khung đó
  • Có thể gắn trực tiếp LoRA bằng vLLM, cũng có phiên bản GGUF dành cho llama.cpp; có thể hợp nhất thành mô hình BF16 độc lập khoảng 54 GB bằng PEFT

Cách dùng

  • vllm serve Qwen/Qwen3.8-27B --enable-lora --max-lora-rank 128 --lora-modules qwen3.8-super=harness-hub/Qwen3.8-27B-super-adapter (trong tệp cấu hình còn có các tham số phân tích gọi công cụ và suy luận), sau đó trỏ pi, Hermes Agent hoặc OpenCode đến giao diện tương thích OpenAI cục bộ
  • llama.cpp: sử dụng mô hình cơ sở Q8_0 GGUF, thêm --lora Qwen3.8-27B-super-adapter-lora-F16.gguf
  • Giữ chế độ suy luận luôn bật; trong cấu hình của pi cần ghi "api": "openai-completions", Hermes Agent yêu cầu ngữ cảnh tối thiểu 64,000 token

Rủi ro

  • Kết quả dựa trên các thử nghiệm đơn lẻ do tác giả thực hiện trong từng khung, với ngân sách 100 bước và chỉ sử dụng văn bản thuần túy, nên không thể so sánh trực tiếp với điểm số trên thẻ mô hình chính thức của Qwen3.8-27B; trọng số hợp nhất ½ được chọn dựa trên Terminal-Bench, và tác giả thừa nhận rằng một phần kết quả này có thể hơi lạc quan
  • Phiên bản GGUF chưa được đánh giá lại, các mô hình cơ sở lượng tử hóa ở độ thấp sẽ lệch khỏi hiệu suất đã đánh giá; mục này chưa được chạy thử

Mở

Hugging Face Trending

Xem tin AI mới nhất