标签
一位用户在 10 项高难度 SWE/ML 任务上,对 pi LoRA 适配器与基础版 Qwen 3.8 27B 进行了基准测试,发现该适配器将工具调用次数和运行时间均减少至原来的约四分之一,并使工具使用更倾向于 pi 的原生工具,但并未提升在更高难度任务上的表现。
一个基于 Qwen3.8-27B 的 LoRA 适配器,通过强化学习训练以驱动 pi 编码智能体,登上 Hugging Face Hub 热门趋势榜——在 SWE-bench Pro 和 Terminal-Bench 2.1 上以约 4.5 倍更少的 token 达到与基座模型 xhigh 思考模式相当的准确率。
一个针对 Qwen3.8-27B 的 LoRA 适配器,通过强化学习训练,作为 OpenCode 编程智能体背后的模型,在 SWE-bench Pro 和 Terminal-Bench 上达到基础模型思考模式的准确率,同时使用的 token 数量减少 6-8 倍。
一个针对 Qwen3.8-27B 的 LoRA 适配器,通过强化学习训练,用于驱动 pi 编码智能体;在 SWE-bench Pro 和 Terminal-Bench 上达到与基础模型在最高思考强度下相当的准确率,同时在关闭思考的情况下 token 生成量约减少 4.5 倍。
Lev 是一个基于 Qwen 的4B开源AI模型,旨在通过单次前向传播实现高效的类型化决策,输出令牌为零,并在其尺寸下取得强劲的基准测试成绩。
本文指出了机器遗忘基准中的一个盲点:因果类(Why型)知识的代表性不足,并提出了5WBench(一个均衡的基准)和Maat(一个基于LoRA适配器的三阶段遗忘框架),该框架在因果事实的遗忘与保留方面均表现优异。