Oossa

Hugging Face veröffentlicht LoRA-Adapter für bessere Qwen3.8-Codingwerte

Der neue Adapter Qwen3.8‑27B‑pi‑adapted steigert die pass@1-Quote bei SWE‑bench Pro von 39 % auf 65 % und verbessert die Leistung bei Terminal‑Bench.

Von Von Oossa veröffentlicht: 2 Min. Lesezeit

Ben Griffiths · Unsplash

Hugging Face hat am 18. November 2026 einen neuen LoRA-Adapter für das Modell Qwen3.8‑27B vorgestellt. Der Adapter mit dem Namen Qwen3.8‑27B‑pi‑adapted steht unter der Apache‑2.0-Lizenz und wurde für den Coding-Agenten pi entwickelt. Trainiert wurde er mit Reinforcement Learning – einer Methode, bei der sich das Modell durch Feedback zu seinen eigenen Ausgaben verbessert. Laut dem Unternehmen steigert der Adapter die Coding-Erfolgsquote des Modells bei zwei Benchmark-Suites. Beim Test SWE‑bench Pro hard‑51, der misst, wie oft ein Modell bei einer Reihe schwieriger Aufgaben korrekten Code schreibt, steigt die pass@1-Quote mit dem Adapter von 39,2 % auf 64,7 %. Pass@1 bedeutet, dass das Modell gleich beim ersten Versuch die richtige Antwort liefert. Bei Terminal‑Bench 2.1, einem Benchmark für Code, der in einer Terminal-Umgebung ausgeführt wird, klettert die pass@1-Quote von 39,5 % auf 55,8 %. Beide Verbesserungen wurden von Hugging Face gemeldet. Das Unternehmen stellt den Adapter kostenlos zum Download bereit. Entwickler können ihn daher in bestehende Qwen3.8-Installationen einbinden, ohne das gesamte Modell neu trainieren zu müssen. Der Adapter funktioniert mit dem bestehenden Coding-Agenten pi, einem Tool, das aus natürlichsprachlichen Eingaben Code erzeugt. Die Veröffentlichung folgt dem Trend, leichte Adapter – kleine Parametersätze, die ein größeres Modell verändern – für die Spezialisierung auf bestimmte Aufgaben einzusetzen. LoRA-Adapter (Low-Rank Adaptation) sind beliebt, weil sie deutlich weniger Rechenleistung als ein vollständiges Fine-Tuning benötigen und sich bei Bedarf austauschen lassen.

Warum die besseren Werte für Entwickler wichtig sind

Höhere pass@1-Werte bedeuten, dass Entwickler weniger Zeit damit verbringen, generierten Code zu korrigieren. Eine Erfolgsquote von 65 % bei schwierigen Coding-Aufgaben könnte KI-gestütztes Programmieren bei komplexen Projekten zuverlässiger machen. Da der Adapter kostenlos und quelloffen ist, können ihn auch kleine Teams und Hobbyentwickler ausprobieren, die sich kein umfangreiches Modelltraining leisten können. Die Werte gelten allerdings nur für die jeweiligen Benchmarks. Codebasen aus der Praxis können andere Herausforderungen mit sich bringen, und zur Leistung des Adapters bei anderen Aufgaben liegen keine Angaben vor. Nutzer müssen ihn in ihren eigenen Arbeitsabläufen testen, um die praktischen Auswirkungen beurteilen zu können.

Warum es wichtig ist

Mit dem Adapter können Entwickler mit weniger Korrekturen an generiertem Code rechnen. Das macht KI-generierten Code bei schwierigen Programmieraufgaben nützlicher. Da der Adapter kostenlos und ressourcenschonend ist, können ihn auch kleine Teams ohne hohe Rechenkosten ausprobieren. Sie müssen den Nutzen jedoch anhand ihrer eigenen Codebasen überprüfen.

War dieser Artikel hilfreich?
Teilen

Als Nächstes lesen

Oossa · Newsletter

Die KI-Woche, erklärt

Jeden Montag: die Nachrichten, die man kennen sollte – verständlich. Kostenlos, kein Spam.