20 ноября 2026 г.
Qwen3.8-27B: адаптер под pi поднял долю решённых задач до 64,7%
В тесте Hugging Face от 20 ноября адаптер под pi поднял долю решённых задач SWE-bench Pro с 39,2% до 64,7%.

На исправлении функции human_to_bytes в Ansible базовая модель потратила все 100 шагов. С адаптером она прошла проверку за 8 вызовов инструментов.
Hugging Face выпустила небольшие дообученные дополнения к Qwen3.8-27B, которые подстраивают модель под конкретного агента для кода. В коллекции harness-hub доступны три специализированных LoRA под pi, Hermes Agent и OpenCode, а также общий super-adapter для всех трёх.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
Что изменилось в решении задач
Подстройка под агента. В парном тесте под pi без режима рассуждений thinking специализированный адаптер поднял долю решений с первой попытки с 39,2% до 64,7% на 51 сложной задаче SWE-bench Pro. На 86 задачах Terminal-Bench 2.1 результат вырос с 39,5% до 55,8%.
Super-adapter повысил среднюю долю решений по шести сочетаниям агента и бенчмарка с 39,5% до 49,0% без thinking. С thinking результат вырос с 55,5% до 63,5%.
На задачах, которые обе модели решили без thinking, модель с super-adapter сделала на 53–73% меньше вызовов инструментов и сгенерировала на 44–60% меньше токенов. Здесь авторы сравнивали расход при успешном решении одной и той же задачи.
Какой адаптер выбрать
Для одного агента. Авторы рекомендуют специализированную LoRA при выключенном thinking. На общем наборе SWE-bench Pro под pi она дала 64,0% решений против 46,0% у super-adapter.
Общий вариант объединяет три LoRA ранга 32 в один адаптер ранга 96. Каждое обновление входит с весом ½, поэтому один файл адаптера можно использовать во всех трёх агентах.
Как подключить к pi
Для запуска через vLLM в карточке Qwen3.8-27B-pi-adapted опубликована инструкция:
1. Поднять Qwen3.8-27B с LoRA через vLLM. 2. Установить pi на Node.js версии 22.19 или новее. 3. Прописать сервер в `~/.pi/agent/models.json`, указав `api: openai-completions`.
Для llama.cpp авторы подготовили команды загрузки базовой модели Q8_0 GGUF и LoRA, запуска сервера и подключения pi через расширение `huggingface/pi-llama`. В коллекции есть версии GGUF, но приведённые результаты получены без отдельного повторного замера этих версий.
Каждый адаптер обучали на двух NVIDIA B200: одна обслуживала модель через vLLM, вторая выполняла обучение.
В финальную обучающую смесь вошли 750 задач harness-adapters и 300 задач Termgrade.
Первоисточник