Oossa

Hugging Face släpper LoRA-adapter som höjer Qwen3.8:s kodningsresultat

Den nya LoRA-adaptern Qwen3.8‑27B‑pi‑adapted höjer pass@1 på SWE‑bench Pro från 39% till 65% och förbättrar resultaten på Terminal‑Bench.

Av Publicerad av Oossa: 2 min läsning

Ben Griffiths · Unsplash

Hugging Face presenterade en ny LoRA-adapter för modellen Qwen3.8‑27B den November 18, 2026. Adaptern, som heter Qwen3.8‑27B‑pi‑adapted, släpps under licensen Apache‑2.0 och är utvecklad för kodningsagenten pi. Den har tränats med förstärkningsinlärning, en teknik där modellen förbättras genom återkoppling på sina egna resultat. Enligt företaget höjer adaptern modellens kodningsresultat på två benchmarksviter. På testet SWE‑bench Pro hard‑51, som mäter hur ofta en modell skriver korrekt kod för en uppsättning svåra problem, ökar pass@1-resultatet från 39.2% till 64.7% med adaptern. Pass@1 innebär att modellen ger rätt svar på första försöket. På Terminal‑Bench 2.1, ett benchmarktest som utvärderar kod som körs i en terminalmiljö, stiger pass@1-resultatet från 39.5% till 55.8%. Båda förbättringarna har rapporterats av Hugging Face. Företaget erbjuder adaptern för gratis nedladdning, så utvecklare kan lägga till den i befintliga Qwen3.8-installationer utan att träna om hela modellen. Adaptern fungerar med den befintliga kodningsagenten pi, ett verktyg som genererar kod utifrån instruktioner på naturligt språk. Lanseringen följer en trend där lätta adaptrar – små uppsättningar parametrar som modifierar en större modell – används för att anpassa modeller till särskilda uppgifter. LoRA-adaptrar (Low‑Rank Adaptation) är populära eftersom de kräver betydligt mindre beräkningskraft än fullständig finjustering och kan sättas in och tas bort efter behov.

Därför är förbättringen viktig för utvecklare

Högre pass@1-resultat innebär att utvecklare behöver lägga mindre tid på att rätta genererad kod. En träffsäkerhet på 65% för svåra kodningsproblem kan göra AI-assisterad programmering mer tillförlitlig i komplexa projekt. Att adaptern är gratis och har öppen källkod sänker också tröskeln för små team och hobbyutvecklare som inte har råd med storskalig modellträning. Resultaten gäller dock specifika benchmarktester. Verkliga kodbaser kan innebära andra utmaningar, och adapterns prestanda på andra uppgifter har inte redovisats. Användarna behöver testa den i sina egna arbetsflöden för att se vilken praktisk effekt den får.

Varför det spelar roll

Utvecklare kan behöva rätta mindre kod när de använder adaptern, vilket gör AI-genererad kod mer användbar för svåra programmeringsuppgifter. Eftersom adaptern är gratis och lättviktig kan små team testa den utan stora beräkningskostnader, men de behöver själva kontrollera nyttan i sina kodbaser.

Var den här artikeln användbar?
Dela

Läs vidare

Oossa · Nyhetsbrev

Veckans AI, förklarad

Varje måndag: nyheterna som är värda att känna till, på enkel svenska. Gratis, ingen spam.