Ir para o conteúdo

Hugging Face lança adapters LoRA para agentes de código

Resposta curta

A Hugging Face liberou adapters LoRA para o Qwen3.8-27B, cada um treinado com aprendizado por reforço dentro de um harness de agente (pi, OpenCode ou Hermes Agent), além de um superadapter combinado. No pi, o pass@1 no Terminal-Bench 2.1 subiu de 39% para 55%, e a média de tokens por tarefa caiu de 2,9K para 1,5K.

O que isso significa na operação

Isso só interessa se o seu time já roda um agente de código ou de operações em um modelo aberto como o Qwen3.8-27B dentro do pi, do OpenCode ou do Hermes Agent. Nesse caso, os adapters são um jeito pronto de reduzir tokens e chamadas de ferramenta por tarefa, que é de onde vêm o custo e a latência do agente. Antes de adotar um, rode-o em uma amostra das suas próprias tarefas e compare o custo por tarefa resolvida. Os números publicados vêm de benchmarks de programação, e a fonte não testa fluxos de vendas, suporte ou back office. A lição maior para uma empresa de 10 a 200 pessoas é a receita: ajustar um modelo congelado ao seu próprio harness e ao seu mix de tarefas pode render mais do que trocar de modelo.

A Hugging Face publicou um conjunto de adapters de harness para o Qwen3.8-27B. São camadas LoRA pequenas, treinadas com aprendizado por reforço dentro do próprio harness de agente que vai executar o modelo. A equipe treinou um adapter por harness (pi, Hermes Agent e OpenCode) e depois fundiu os três em um único superadapter. Os adapters, os arquivos GGUF, as tarefas de RL e um plugin do safeagents estão reunidos no Hub.

O que os adapters fazem

Os pesos do modelo base continuam congelados. O adapter muda o comportamento do modelo em um harness específico: ele raciocina menos, chama menos ferramentas e acerta mais tarefas de primeira. O exemplo principal é o pi no Terminal-Bench 2.1. O modelo base marca 39% de pass@1 e gasta cerca de 2,9K tokens por tarefa. Com o adapter, chega a 55% com cerca de 1,5K tokens.

Como foi o treinamento

O treino usou o AsyncGRPOTrainer do TRL, o OpenEnv e o Harbor, com os rollouts rodando no Hugging Face Jobs. Os harnesses foram executados como são distribuídos, e o treinador aprendeu a partir dos tokens que eles de fato produziram. O conjunto de tarefas foi filtrado a partir de 1.127 candidatas do Hub, das quais 858 passaram na validação. O dataset publicado traz 871 tarefas de 35 repositórios, e 171 delas são "qualificadas", porque o modelo base só resolve parte das vezes. As três execuções somaram 598 passos. A ferramenta safeagents verificou cerca de 1,3 milhão de chamadas de ferramenta e bloqueou 647.

Resultados do superadapter

Os três adapters foram combinados com metade do peso cada. Com o thinking desligado, o pass@1 médio em seis pares de harness e benchmark subiu de 39,5% para 49,0%. O adapter combinado fez de 53% a 73% menos chamadas de ferramenta e gerou de 44% a 60% menos tokens nas tarefas que os dois modelos resolveram. Com o thinking ligado, ele superou o modelo base no mesmo nível de esforço em cinco dos seis pares e empatou no sexto. As chamadas de ferramenta caíram de 31% a 48% no SWE-bench Pro e, no Terminal-Bench, de 19% a 25%, com a contagem de tokens praticamente estável.

Ressalvas da fonte

  • Com o thinking desligado, o adapter específico de cada harness ficou à frente em quatro dos seis pares, então quem usa um só harness deve ficar com o especialista.
  • Os resultados não podem ser comparados entre harnesses, porque as configurações padrão diferem, por exemplo na forma de manter os turnos de raciocínio anteriores.
  • O peso da fusão foi escolhido no Terminal-Bench 2.1, então esses números são um pouco otimistas.
  • A avaliação usou uma tentativa por tarefa, cobrindo as 89 tarefas do Terminal-Bench 2.1 e as 51 tarefas mais difíceis do SWE-bench Pro.
  • O texto da fonte a que tivemos acesso foi cortado no meio da seção de avaliação.

Fonte: Hugging Face

Dados INITE

O que nós mesmos medimos nas ferramentas desta notícia. Isso não está na fonte.

Dados de 20 de nov. de 2026

As ferramentas desta notícia

  • OpenCode - preço, quem usa, alternativas
Próximo passo

Visibility Analyzer

Uma notícia sobre IA não diz como os assistentes veem o seu site. O Visibility Analyzer verifica isso no site real: quais respostas citam você, quais páginas o motor não consegue recuperar e o que corrigir primeiro. Rodar é grátis.

Rodar uma auditoria de visibilidade grátis

Rodar é grátis. Sem cartão.

Preço
Grátis
Duração
Uma rodada, minutos

Plano grátis: duas análises por dia, sem cartão.