Immagine AI

Hugging Face ha distribuito Qwen3.8-27B-pi-adapted, un adattatore sviluppato per migliorare le prestazioni del modello linguistico Qwen3.8-27B di Alibaba durante l’esecuzione di attività di sviluppo software attraverso Pi, un ambiente agentico open source dedicato alla programmazione. La soluzione, presentata il 18 novembre 2026, utilizza la metodologia Low-Rank Adaptation (LoRA), attraverso la quale è possibile modificare il comportamento di un modello preaddestrato intervenendo su un insieme circoscritto di parametri aggiuntivi. L’architettura e i pesi originari vengono mantenuti, mentre l’adattatore introduce aggiornamenti destinati a specializzare il modello nell’utilizzo degli strumenti accessibili attraverso l’ambiente agentico. L’iniziativa di Hugging Face interessa quindi anche il rapporto tra il modello linguistico e il software che ne coordina le operazioni, denominato agent harness, comprendente le interfacce per la consultazione dei file, l’esecuzione dei comandi da terminale e la gestione dei risultati prodotti dagli strumenti. Per la realizzazione dell’adattatore è stato utilizzato un processo di apprendimento per rinforzo, durante il quale il modello ha affrontato ripetutamente attività di programmazione e operazioni da terminale. Il sistema di ricompensa considera sia il completamento corretto delle attività sia l’efficienza delle sequenze operative utilizzate per raggiungere il risultato.

Nelle valutazioni condotte dal gruppo di sviluppo su un sottoinsieme di 51 esercizi particolarmente complessi appartenenti a SWE-bench Pro, Qwen3.8-27B-pi-adapted ha raggiunto un tasso di completamento del 64,7%, rispetto al 39,2% del modello originale. Entrambe le configurazioni sono state valutate mantenendo disattivata la modalità di ragionamento esplicito. Nel benchmark Terminal-Bench 2.1, dedicato alla capacità degli agenti di eseguire operazioni attraverso il terminale, il risultato è passato dal 39,5% al 55,8%. La sperimentazione ha interessato anche il numero di interazioni necessarie per completare gli incarichi correttamente risolti da entrambe le configurazioni. In SWE-bench Pro il numero mediano di chiamate agli strumenti è diminuito da 59 a 23, mentre in Terminal-Bench 2.1 è passato da 18 a 8. Secondo Hugging Face, l’applicazione dell’adattatore permette inoltre di ottenere, senza attivare la modalità di ragionamento, risultati comparabili a quelli del modello originale configurato con il livello di elaborazione più elevato, utilizzando un numero mediano di token generati per attività circa 4,5 volte inferiore. Queste misurazioni si riferiscono alle condizioni sperimentali adottate dagli sviluppatori, con una singola esecuzione per esercizio all’interno dell’ambiente Pi, e non rappresentano i risultati ottenuti sull’intero insieme di esercizi di SWE-bench Pro.

Durante l’addestramento è stato impiegato anche safeagents, un sistema di controllo delle chiamate agli strumenti progettato per limitare comportamenti attraverso i quali gli agenti potrebbero ottenere ricompense senza completare correttamente le attività assegnate. Il sistema utilizza regole per intercettare operazioni inappropriate, come tentativi di consultare direttamente le soluzioni dei benchmark o alterare le procedure di verifica. L’adattatore è stato pubblicato nel repository harness-hub di Hugging Face con licenza Apache 2.0 e può essere utilizzato attraverso infrastrutture di inferenza compatibili, tra cui vLLM e llama.cpp. È disponibile anche una distribuzione in formato GGUF. Il progetto prevede la realizzazione di adattatori specifici per ulteriori ambienti agentici, tra cui OpenCode e Hermes, attraverso i quali una medesima architettura linguistica può essere specializzata per differenti modalità di interazione con gli strumenti di sviluppo. La compatibilità con altri ambienti e la riproducibilità dei miglioramenti prestazionali richiederanno valutazioni effettuate nelle rispettive configurazioni operative.

Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)

Di Fantasy