Oossa

Hugging Face brengt LoRA-adapter uit die Qwen3.8 beter laat coderen

De nieuwe LoRA-adapter Qwen3.8‑27B‑pi‑adapted verhoogt de pass@1-score op SWE‑bench Pro van 39% naar 65% en verbetert de prestaties op Terminal‑Bench.

Door Gepubliceerd door Oossa: 2 min lezen

Ben Griffiths · Unsplash

Hugging Face kondigde op 18 november 2026 een nieuwe LoRA-adapter aan voor het model Qwen3.8‑27B. De adapter, Qwen3.8‑27B‑pi‑adapted genaamd, wordt uitgebracht onder de Apache‑2.0-licentie en is gemaakt voor de pi-codeeragent. De adapter is getraind met reinforcement learning, een techniek waarbij een model beter wordt door feedback te krijgen op zijn eigen uitvoer. Volgens het bedrijf verhoogt de adapter het succes van het model bij programmeertaken op twee benchmarksuites. Op de moeilijke test hard‑51 van SWE‑bench Pro, die meet hoe vaak een model correcte code schrijft voor een reeks lastige problemen, stijgt de pass@1-score van 39,2% naar 64,7% wanneer de adapter wordt toegepast. Pass@1 betekent dat het model het juiste antwoord bij de eerste poging geeft. Op Terminal‑Bench 2.1, een benchmark voor code die in een terminalomgeving wordt uitgevoerd, stijgt de pass@1-score van 39,5% naar 55,8%. Beide verbeteringen zijn gemeld door Hugging Face. Het bedrijf biedt de adapter gratis aan, zodat ontwikkelaars die aan bestaande Qwen3.8-implementaties kunnen toevoegen zonder het hele model opnieuw te trainen. De adapter werkt met de bestaande pi-codeeragent, een tool die code genereert op basis van prompts in natuurlijke taal. De release past in een bredere trend waarbij lichte adapters — kleine parameterverzamelingen die een groter model aanpassen — worden ingezet om modellen op specifieke taken af te stemmen. LoRA-adapters (Low-Rank Adaptation) zijn populair omdat ze veel minder rekenkracht vergen dan volledige fine-tuning en naar behoefte kunnen worden in- en uitgeschakeld.

Waarom de betere scores belangrijk zijn voor ontwikkelaars

Hogere pass@1-scores betekenen dat ontwikkelaars minder tijd kwijt zijn aan het corrigeren van gegenereerde code. Een slagingspercentage van 65% op moeilijke programmeerproblemen kan AI-ondersteund programmeren betrouwbaarder maken bij complexe projecten. Doordat de adapter gratis en opensource is, wordt de drempel ook lager voor kleine teams en hobbyisten die geen grootschalige modeltraining kunnen betalen. De cijfers zijn echter specifiek voor deze benchmarks. Echte codebases kunnen andere uitdagingen opleveren en de prestaties van de adapter op andere taken zijn niet bekendgemaakt. Gebruikers zullen hem in hun eigen werkwijze moeten testen om te zien wat het praktische effect is.

Waarom het ertoe doet

Ontwikkelaars kunnen met de adapter rekenen op minder correcties van code, waardoor AI-gegenereerde code bruikbaarder wordt voor lastige programmeertaken. Omdat de adapter gratis en licht is, kunnen kleine teams hem uitproberen zonder hoge rekenkosten. Ze zullen het voordeel wel op hun eigen codebases moeten toetsen.

Was dit artikel nuttig?
Delen

Lees ook

Oossa · Nieuwsbrief

De AI-week, uitgelegd

Elke maandag: het nieuws dat ertoe doet, in gewone taal. Gratis, geen spam.