Oossa

آداپتور LoRA جدید Hugging Face امتیاز کدنویسی Qwen3.8 را بالا می‌برد

آداپتور Qwen3.8‑27B‑pi‑adapted نرخ pass@1 مدل در SWE‑bench Pro را از 39% به 65% می‌رساند و عملکرد آن را در Terminal‑Bench هم بهبود می‌دهد.

نویسنده: منتشرشده توسط Oossa: 2 دقیقه مطالعه

Ben Griffiths · Unsplash

Hugging Face در 18 نوامبر 2026 از آداپتور LoRA جدیدی برای مدل Qwen3.8‑27B رونمایی کرد. این آداپتور که Qwen3.8‑27B‑pi‑adapted نام دارد، با مجوز Apache‑2.0 عرضه شده و برای عامل کدنویسی pi ساخته شده است. آموزش آن با یادگیری تقویتی انجام شده؛ روشی که به مدل امکان می‌دهد با دریافت بازخورد درباره خروجی‌های خودش، عملکردش را بهبود دهد. به‌گفته شرکت، این آداپتور موفقیت مدل در کدنویسی را در دو مجموعه بنچمارک افزایش می‌دهد. در آزمون سخت‌گیرانه hard‑51 از SWE‑bench Pro، که می‌سنجد مدل تا چه اندازه می‌تواند برای مجموعه‌ای از مسائل دشوار کد درست بنویسد، نرخ pass@1 با به‌کارگیری آداپتور از 39.2% به 64.7% می‌رسد. pass@1 یعنی مدل در نخستین تلاش پاسخ درست را پیدا می‌کند. در Terminal‑Bench 2.1، بنچمارکی برای ارزیابی کدی که در محیط ترمینال اجرا می‌شود، نرخ pass@1 از 39.5% به 55.8% افزایش می‌یابد. هر دو بهبود را Hugging Face گزارش کرده است. این شرکت آداپتور را برای دانلود رایگان عرضه می‌کند تا توسعه‌دهندگان بتوانند بدون آموزش دوباره کل مدل، آن را به نمونه‌های مستقرشده Qwen3.8 اضافه کنند. آداپتور با عامل کدنویسی pi که کد را از روی دستورهای زبان طبیعی تولید می‌کند، سازگار است. این عرضه در ادامه روند استفاده از آداپتورهای سبک‌وزن قرار می‌گیرد؛ مجموعه‌های کوچکی از پارامترها که یک مدل بزرگ‌تر را تغییر می‌دهند تا برای کارهای خاص مناسب‌تر شود. آداپتورهای LoRA (Low‑Rank Adaptation) محبوب‌اند، چون در مقایسه با تنظیم دقیق کامل به توان محاسباتی بسیار کمتری نیاز دارند و هر زمان لازم باشد می‌توان آن‌ها را جایگزین کرد یا کنار گذاشت.

چرا این بهبود برای توسعه‌دهندگان مهم است

بالا رفتن امتیاز pass@1 یعنی توسعه‌دهندگان زمان کمتری را صرف اصلاح کد تولیدشده می‌کنند. موفقیت 65درصدی در مسائل دشوار برنامه‌نویسی می‌تواند برنامه‌نویسی با کمک هوش مصنوعی را برای پروژه‌های پیچیده قابل‌اتکاتر کند. رایگان و متن‌باز بودن آداپتور نیز دسترسی را برای تیم‌های کوچک و علاقه‌مندانی آسان‌تر می‌کند که توان پرداخت هزینه آموزش مدل در مقیاس بزرگ را ندارند. بااین‌حال، این ارقام فقط به بنچمارک‌های مشخص مربوط می‌شوند. پایگاه‌های کد واقعی ممکن است چالش‌های دیگری داشته باشند و عملکرد آداپتور در کارهای دیگر اعلام نشده است. کاربران باید آن را در روند کاری خود آزمایش کنند تا از اثر عملی‌اش مطمئن شوند.

چرا مهم است

توسعه‌دهندگان می‌توانند با این آداپتور انتظار داشته باشند زمان کمتری صرف اصلاح کد کنند و از کد تولیدشده با هوش مصنوعی برای کارهای دشوار برنامه‌نویسی بهره بیشتری ببرند. چون آداپتور رایگان و سبک‌وزن است، تیم‌های کوچک هم می‌توانند بدون هزینه‌های سنگین محاسباتی آن را امتحان کنند؛ هرچند باید فایده‌اش را در پایگاه‌های کد خودشان بسنجند.

آیا این مقاله مفید بود؟
اشتراک‌گذاری

بیشتر بخوانید

Oossa · خبرنامه

هفتهٔ هوش مصنوعی، به زبان ساده

هر دوشنبه: خبرهایی که ارزش دانستن دارند، به زبان ساده. رایگان و بدون هرزنامه.