Oossa

Hugging Face выпустила LoRA-адаптер для улучшения результатов Qwen3.8 в кодинге

Новый адаптер Qwen3.8‑27B‑pi‑adapted повышает pass@1 на SWE‑bench Pro с 39% до 65% и улучшает результат на Terminal‑Bench.

Автор: Опубликовано Oossa: 2 мин чтения

Ben Griffiths · Unsplash

18 ноября 2026 года Hugging Face представила новый LoRA-адаптер для модели Qwen3.8‑27B. Адаптер под названием Qwen3.8‑27B‑pi‑adapted выпущен по лицензии Apache‑2.0 и предназначен для агента для написания кода pi. Его обучали с помощью обучения с подкреплением — метода, при котором модель совершенствуется, получая обратную связь о собственных ответах. По словам компании, адаптер повышает успешность модели при написании кода в двух наборах тестов. На тесте SWE‑bench Pro hard‑51, который оценивает, как часто модель правильно пишет код для набора сложных задач, показатель pass@1 увеличивается с 39,2% до 64,7% при использовании адаптера. Pass@1 показывает, правильно ли модель отвечает с первой попытки. На Terminal‑Bench 2.1 — тесте, оценивающем код, который запускается в терминальной среде, — показатель pass@1 растёт с 39,5% до 55,8%. Оба результата приводит Hugging Face. Компания предлагает адаптер для бесплатного скачивания, поэтому разработчики могут добавить его к уже развёрнутым системам на базе Qwen3.8, не переобучая всю модель. Адаптер работает с существующим агентом для написания кода pi — инструментом, который генерирует код по запросам на естественном языке. Этот релиз продолжает тенденцию использования лёгких адаптеров — небольших наборов параметров, которые изменяют более крупную модель, позволяя настраивать её для конкретных задач. Адаптеры LoRA (Low‑Rank Adaptation) популярны, поскольку требуют гораздо меньше вычислительных ресурсов, чем полная тонкая настройка, и их можно подключать и отключать по мере необходимости.

Чем это улучшение полезно разработчикам

Более высокий показатель pass@1 означает, что разработчикам придётся тратить меньше времени на исправление сгенерированного кода. Успешность в 65% на сложных задачах программирования может сделать ИИ-помощников надёжнее при работе над сложными проектами. Бесплатный и открытый адаптер также упрощает доступ к технологии для небольших команд и энтузиастов, которым не по карману масштабное обучение моделей. Однако эти результаты относятся только к конкретным тестам. В реальных кодовых базах могут возникать другие сложности, а показатели адаптера на других задачах не раскрыты. Чтобы оценить практическую пользу, пользователям придётся испытать его в собственных рабочих процессах.

Почему это важно

Разработчикам можно ожидать, что при использовании адаптера им придётся реже исправлять код, а значит, сгенерированный ИИ код станет полезнее для сложных задач программирования. Адаптер бесплатный и лёгкий, поэтому небольшие команды могут попробовать его без значительных затрат на вычисления. Однако им нужно будет проверить его пользу на собственных кодовых базах.

Эта статья была полезной?
Поделиться

Читайте также

Oossa · Рассылка

Неделя ИИ — простыми словами

Каждый понедельник: главное за неделю понятным языком. Бесплатно, без спама.