一个LoRA把Qwen3.8的编码通过率从39%拉到65%
Hugging Face 发布 Apache-2.0 的 Qwen3.8-27B-pi-adapted LoRA 适配器,面向 pi coding agent,用强化学习训练。SWE-bench Pro hard-51 pass@1 从 39.2% 升到 64.7%,Terminal-Bench 2.1 从 39.5% 升到 55.8%。
Hugging Face 发布了 Qwen3.8-27B-pi-adapted,一个 Apache-2.0 许可的 LoRA 适配器,训练方式是强化学习,目标场景是 pi coding agent。
它带来的数字很直接:
| 评测 | 原结果 | 加适配器后 |
|---|---|---|
| SWE-bench Pro hard-51 pass@1 | 39.2% | 64.7% |
| Terminal-Bench 2.1 | 39.5% | 55.8% |
SWE-bench Pro hard-51 的 pass@1 提升 25.5 个百分点,Terminal-Bench 2.1 提升 16.3 个百分点。两个评测都看单次尝试的通过率,前者偏向真实软件工程任务,后者偏向终端环境里的操作与排错。对编码代理来说,这类指标比普通代码补全更接近实际工作流。
LoRA 适配器的价值在于轻量。它不改动基座模型的全部参数,而是在 Qwen3.8-27B 上挂一层可加载的适配权重。对团队来说,部署和迭代成本比重新训练一个大模型低得多。Apache-2.0 也降低了适配器本身的使用门槛,不过基座模型、pi coding agent 以及相关依赖的许可仍需分别确认。
这次结果容易让人兴奋,但有几个边界要看清楚。hard-51 是一个规模较小的困难子集,pass@1 只反映一次尝试的成功率。真实仓库里的脏代码、缺失依赖、模糊需求,和评测集不是一回事。提升幅度值得关注,落地前仍建议在自己项目的任务集上复跑,观察失败类型和稳定性。
想试用的话,入口在 Hugging Face 模型页。先读模型卡,确认基座模型版本、加载方式和 pi coding agent 的配合说明,再拿小规模任务验证。原文由 Asif Razzaq 发布于 MarkTechPost,链接在这里。
发布时间: 2026-11-19 00:07