Hugging Face 发布 Qwen3.8-27B harness adapters,提升智能体编码性能与效率
Introducing harness adapters: adapt your favorite model to your harness to improve performance and cost
Hugging Face 为 Qwen3.8-27B 发布面向 pi、Hermes Agent 和 OpenCode 的 LoRA harness adapters,并将三者合并为一个可在不同框架中运行的 super-adapter。三个专用适配器在各自框架的 Terminal-Bench 2.1 和 SWE-bench Pro 评测中均超过基础模型;super-adapter 在关闭思考模式时的平均 pass@1 从 39.5% 提升至 49.0%,共同解出任务的工具调用量减少 53–73%。训练使用框架内 RL、TRL AsyncGRPOTrainer 和 871 个智能体编码任务,相关适配器、GGUF、RL 任务及 safeagents 插件均已开放。
推荐理由
精选AI 评分 71
文章给出在真实智能体框架内强化学习的完整流程,并以跨框架评测呈现专用与合并适配器的性能和成本取舍。
主题
正文 · AI 翻译
太长不看
我们针对每个智能体运行框架(pi、Hermes Agent、OpenCode),分别使用框架内部的 RL 为 Qwen3.8-27B 训练了一个 LoRA 适配器。
数据集、训练和智能体 rollout 均通过 Jobs 在 Hub 上完成,并使用了 TRL 的 AsyncGRPOTrainer、OpenEnv 和 Harbor。
在两项基准测试中,每个框架适配器在其对应框架下的性能和效率均优于基础模型。
我们还将三个 LoRA 合并成了一个超级适配器,无需修改即可在 pi、Hermes Agent 和 OpenCode 下运行。
所有产物(适配器、GGUF、RL 任务、safeagents 插件)均可通过这个 Hugging Face 合集浏览。
目录
在智能体运行框架内训练
在 Hugging Face 上生成自定义 RL 任务
通过短时训练运行测试筛选器
使用 AsyncGRPOTrainer 提高 GRPO 训练效率
训练设置
超级适配器:将所有适配器合而为一
最终结果
开放问题:模型究竟学会了什么?
结束语与未来方向
在智能体运行框架内训练
我们利用 OpenEnv 中的 Harbor 集成以及 TRL 的 OpenEnv 指南,在最终训练所选的运行框架内训练模型。我们为所有 RL 任务构建了开箱即用的 Docker 镜像,其中已预装目标运行框架。在最终的 Docker 镜像中,我们使用 Pi 1.5.2、OpenCode 2.2.7 和 Hermes Agent v0.22.6。上述博文中的下图很好地解释了整个流程:
大多数 RL 框架训练的都是重新实现的智能体循环:智能体针对框架自身的接口编写,例如 verl 的 AgentLoop、SkyRL-Gym 环境、rLLM 的智能体与环境类、slime 的自定义 rollout 函数,或嵌入你自己的 Python 智能体中的 ART 客户端。而在这里,运行框架完全以其发布时的原样运行,训练器则从它实际生成的 token 中学习;这些 token 由运行框架与 vLLM 之间的代理记录。近期研究也在朝着同一方向发展:Agent Lightning v1.0 通过代理让部署时使用的运行框架继续参与训练循环(“harnessed agentic RL”,即框架内智能体强化学习),而 SkyRL 的 Harbor 集成则基于 Harbor 试验进行训练,并将其聊天历史转换为供训练器使用的 token。
在 Hugging Face 上生成自定义 RL 任务
在本方案中,我们使用 Hub、OpenEnv 和 Repo2RLEnv 创建了一个面向智能体编码的自定义数据集。我们将现有 RL 环境的任务检索、使用 Repo2RLEnv 生成任务、使用 OpenEnv 验证任务以及采样整合到一条数据流水线中。由此,我们获得了一组经过验证、相关性最强的高质量任务,用于提升 Qwen3.8-27B 的智能体编码能力。本节将介绍我们的构建过程,方便你在自己的领域中尝试。
RL 训练需要智能体可以尝试完成的任务、为每次尝试评分的验证器,以及能够证明验证器判断正确的证据。会接受错误答案的验证器将教会模型错误的行为。一个已经能够轻松完成的任务也不会让模型学到任何东西。
本节介绍我们如何从三个来源构建任务集:其中两个位于 Hugging Face Hub,第三个则使用 Repo2RLEnv 中名为 Tasksmith 的流水线生成。每项任务都要通过 openenv validate 的资格筛选,并针对基础模型 Qwen3.8-27B 接受相同的难度检查。
三个来源
每项任务都采用 Harbor 格式,Terminal-Bench 2.1 也使用这种格式。我们在 Hub 上广泛搜索 Harbor 环境,找到了约 59,000 项任务,但其中包含重复任务、评测集以及被标记为不可用于训练的任务。我们最终筛选出两个专为训练构建的 Hub 来源,并自行生成了第三组任务:
SWE-smith(Python、Go)向真实的 Python 和 Go 代码仓库中注入 bug,方式包括让 LLM 重写代码,或进行翻转运算符等变异。能够捕获每个 bug 的测试会成为相应任务的测试。它增加了任务数量。
SWE-Gym 在 TaskTrove 中被打包成 Harbor 任务,它将真实的 GitHub issue 及其已合并的修复转换成任务。它引入了真实世界的 bug。
Tasksmith 根据已合并的拉取请求生成任务。一个 LLM 智能体负责编写指令和测试,随后 Tasksmith 检查结果:参考解法和一个有效的替代解法必须通过,而未修复的代码和一个已知错误的解法必须失败。
我们使用 Tasksmith 有针对性地填补空白。我们梳理了目标基准测试(Terminal-Bench 2.1、SWE-bench Pro 的困难子集以及 DeepSWE)所考查的技能,然后选择能够运用这些技能的拉取请求,例如 HTTP 流式传输、文件系统操作和序列化。在 30 个已合并的拉取请求中,Tasksmith 在 10 个 Python 代码仓库里生成了 24 项通过其检查的任务,其中 17 项在第二次运行中也通过了检查。它自身的检查不能取代我们的检查,因此这些任务会与其余任务一样经过同一条流水线。
使用 openenv validate 进行验证
首先运行元数据筛选。它保留来自训练集划分且采用宽松许可证的任务,并剔除重复任务、标记为不可用于训练的任务、目标基准测试中的 253 项任务,以及来自这些基准测试所用代码仓库的任何任务。随后,我们在全新的试验中对每项任务运行 openenv validate 的语义检查:
参考解法获得最高奖励(semantic.oracle_max)。
什么都不做的得分明显更低(semantic.floor_gap)。
任何金丝雀测试的得分都不高于什么都不做(semantic.canary_floor)。
重放参考解法会得到相同的奖励(runtime.episode_determinism)。
每次试验都作为独立的 Hugging Face Job 运行,使我们能够同时验证数十项任务。openenv validate 也为任何 Harbor 任务提供相同选项:
在 Hub 的 1,127 个候选任务中,有 858 个通过。错误答案对照捕获了一些缺陷,包括一项会接受不完整实现的 Tasksmith 任务,以及一个会接受已知错误答案的 Terminal-Bench 2.1 验证器(regex-log)。大多数失败源于基础设施问题,例如镜像无法启动。失败的任务会保留在 rejected 划分中,并记录未通过的检查。
使用基础模型进行难度检查
有效的任务仍可能无法提供任何学习价值。GRPO(组相对策略优化)会将同一任务中的每次尝试与其他尝试进行比较评分,因此,如果一项任务的所有尝试都通过或所有尝试都失败,就不会产生学习信号。训练前,Qwen3.8-27B 对每项任务尝试 4 次;对于按代码仓库分层抽样、每个代码仓库选取六项任务的样本,则尝试 8 次。
在 442 项已评分任务中,Qwen3.8-27B 每次都能解决的有 151 项,从未解决的有 120 项。其余 171 项仅有时能解决的任务构成 qualified 集。下图展示了分数如何堆积在两端,以及不同来源之间的差异。该模型每次都能解决大多数 Go 任务;在超过三分之一的 SWE-smith Python 任务上,每次尝试都失败;而在 73% 的 SWE-Gym 任务上,表现处于中间区间。
Qwen3.8-27B 在 442 项已评分任务上的结果。绿色表示 qualified 任务,即模型在部分尝试中能够解决、但并非每次都能解决的任务。
这个例子展示了我们如何筛选并验证 1,127 项任务,得到 278 项直接纳入最终数据集的任务。随后,流水线使用 Tasksmith 对剩余 522 项被拒绝的任务进行修复和复杂化处理,并再次进行验证。
通过短期训练运行测试筛选器
流水线应用两种筛选器:验证环节会移除损坏的任务,而难度检查则保留基础模型仅有时能够解决的任务。本节测试这些筛选器是否会改变模型学到的内容。我们进行了四次最多 50 步的短期训练,每次使用来自流水线不同阶段的任务,并在 Terminal-Bench 2.1 上将其与基础模型进行比较。
每次运行都使用 LoRA 和 GRPO,通过 TRL 的 AsyncGRPOTrainer 在 32 项任务上训练 Qwen3.8-27B。四次运行均使用相同的智能体执行框架(OpenCode,最多调用模型 48 次)、相同的设置和一个配备 8×H200 的 Hugging Face Job,奖励取决于验证器判定通过或失败。各任务集的筛选方式不同:
Unvalidated:24 项已接受任务,加上 8 项验证失败的任务。
Validated:32 项已接受任务,选择时不考虑难度。
Unqualified:32 项已接受任务,基础模型总是能够解决或从未能够解决。
Qualified:32 项已接受任务,基础模型在部分尝试中能够解决。
下图展示了这些任务如何影响模型学习。表格列出了每次运行的训练步数以及我们评估的检查点。图表则跟踪了验证状态不同的任务子集在训练过程中的奖励。
数据集
harness-hub/agentic-coding-envs 收录了来自 35 个代码仓库的 871 项任务。每个代码仓库的 Hub 任务上限为 40 项,因此不会由单个项目占据主导。下表展示了各来源的贡献。该数据集提供两个视图:所有已接受任务,以及用于 GRPO 训练的 qualified 子集。被拒绝的尝试保留在单独的配置中。
使用 AsyncGRPOTrainer 提高 GRPO 训练效率
我们采用了 TRL 中的稳定版 AsyncGRPOTrainer。该训练器的主要优势是,无须等待所有 rollout 完成,就能进入下一个训练优化步骤。
如需更详细地了解该训练器及其构建模块,请参阅 AsyncGRPO 博文。
训练设置
为了获得最终的 harness adapters,我们使用 TRL 的 AsyncGRPOTrainer,在 Qwen/Qwen3.8-27B 上训练 LoRA adapters。通过 all-linear 标志将 adapters 挂载到模型上。为了最大限度提高训练效率,我们在 rollout 阶段关闭了思考模式,并分别在开启和关闭思考模式的情况下评估最终 adapter,以便进行更广泛的比较。
最终奖励函数由验证器的正确性奖励和一小部分工具效率奖励(0.1)组成。该数值源自上一轮 harness adapters 的早期实验,当时的结果表明 0.1 效果最佳。
我们使用 Termgrade 环境进行了小规模学习率(LR)扫描,训练 50 步,测试了 1e-5、5e-5 和 1e-4。结果显示,1e-5 几乎没有改变训练正确率(从 0.52 降至 0.50);1e-4 非但没有带来改善,反而导致 rollout 崩溃(每次 rollout 的轮数从 18 降至 6,同时熵值上升);只有 5e-5 带来了明显改善(到第 40 步时从 0.49 升至 0.60)。但运行时间更长的 5e-5 实验随后显现出不稳定迹象(rollout 长度骤降、熵值上升),因此我们最终在正式训练中采用了 2e-5。
训练基础设施
每个 harness adapter 都使用 NVIDIA 2xB200 GPU 进行训练,其中一块 GPU 分配给 vLLM 服务器,另一块用于训练过程。我们首先进行了一些压力测试,以尽可能增加单个优化步骤中可训练的 RL 任务数量。为此,我们将 AsyncGRPOTrainer 的 --token-budget 参数调至当前配置所能承受的上限。下图展示了每个 harness 在各步骤中的组数变化(蓝色:Pi,绿色:OpenCode,橙色:Hermes)。
随着模型在训练期间变得越来越好,每个训练步骤能够容纳的组也越来越多,从而使模型在每个优化步骤中获得的信号更加多样化。
最终混合数据集
最终的混合数据集由 harness-adapters RL 环境中的 750 个任务和 termgrade 中的 300 个任务组成。为了尽可能提高训练期间采样任务的多样性,我们对数据采样策略进行了小幅定制,具体说明如下:
训练前,我们按任务系列交错排列,以固定顺序放置任务(对于我们生成的 RL 环境,任务系列即其所属代码仓库。对于 Termgrade,由于每个任务都被视为一个独立系列,因此我们仅按名称排序),这样每个训练步骤都能在遵循混合数据集分布的同时,涵盖尽可能多的代码仓库。
将 safeagents 引入训练循环
我们还接入了 safeagents 工具,以阻止模型在训练期间出现任何不当行为。最终插件包含针对 RL 任务和测试路径的特定正则表达式及模式规则,托管在 harness-hub/qwen-safeagents-plugin 中;如果有人希望复现该训练设置,可以使用最新版 safeagents 开箱即用。
在训练过程中,被 safeagents 阻止的工具调用数量持续下降,这表明模型在每个优化步骤后都变得“越来越安全”。下图按训练步骤展示了每个 harness adapter 每 1000 次工具调用中被 safeagents 阻止的调用次数。
超级适配器:将所有适配器合而为一
合并模型通常可以整合它们的能力,同时保留各自原有的大部分能力。三个 harness adapters 训练完成后,我们提出了两个问题:合并它们是否会牺牲准确率?单个“super-adapter”能否在每种 harness 下都兼具准确性与效率?
我们首先逐层比较三个 adapters 的权重更新。任意两个 adapter 之间的余弦相似度约为 0.01–0.02:每个 adapter 在训练期间都将模型推向了近乎正交的方向。这是最适合合并的情形,因为这些更新几乎不会相互干扰。
我们沿秩维度拼接三个 LoRA adapters(PEFT 的 combination_type="cat")。合并后的 adapter 秩为 96(3 × 32),并精确应用 w · (ΔW_pi + ΔW_hermes + ΔW_opencode)。以往关于模型合并的研究(task arithmetic、TIES、KnOTS)发现,将每项更新缩放至小于 1 的效果最佳,因此我们使用第 120 步的 adapters,在每种 harness 下对全部 89 个 Terminal-Bench 2.1 任务比较了三种权重:
⅓(平均值):每种 harness 仅保留自身更新的三分之一。
½:每项更新采用一半强度。
1(直接求和):每项更新都完整应用。
直接求和会过度应用这些更新。智能体变得非常简短(每个任务调用工具 13 次,而基础模型为 49 次);尽管 Hermes 的成绩最高达到 62.8%,pi 却回落到了基础模型的水平。取平均值则会稀释每种 harness 自身的更新。½ 实现了最佳平衡,因此我们使用已发布的检查点(pi 第 160 步、hermes 第 160 步、opencode 第 150 步),以 ½ 的权重构建了最终的 super-adapter。
适配器合并评估结果
在每种 harness 下,针对每次运行均完成评分的任务(SWE-bench Pro 为 50–51 个,Terminal-Bench 2.1 为 82–85 个),每个任务尝试一次(括号内为相对于基础模型的效率提升):
“思考”是聊天模板的思考模式,采用默认推理强度(xhigh)。专用 adapters 在训练和部署时均关闭了思考模式。
关闭思考模式后,super-adapter 在全部六种 harness–基准测试组合上均优于基础模型(平均 pass@1 从 39.5% 提升至 49.0%;新解出 71 个任务,丢失 34 个原本能解出的任务,p < 0.001)。
尽管训练时完全没有开启思考模式,但它在我们评估的模型中,开启思考模式后的表现最强。与采用相同推理强度并开启思考模式的基础模型相比,它在六种组合中的五种胜出,另一种打平(平均成绩从 55.5% 提升至 63.5%;新解出 67 个任务,丢失 37 个原本能解出的任务,p = 0.004)。最大增幅出现在 SWE-bench Pro:在 hermes 下提高 16 个百分点,在 opencode 下提高 20 个百分点。在 pi 下的 SWE-bench Pro 上,仅开启思考模式就已达到 74%,因此两者打平。
关闭思考模式时,请使用各 harness 的专用 adapter。每种 harness 自身的 adapter 在六种组合中的四种领先,其中在 pi 下的优势最大(SWE-bench Pro 上为 64.0% 对 46.0%,Terminal-Bench 上为 56.5% 对 48.2%)。让一个模型适配三种 harness,会使 pi 损失最多的性能增益。如果你只使用一种 harness 并保持思考模式关闭,请选择其专用 adapter。
super-adapter 的效率也高得多。在基础模型和 super-adapter 都能解出的任务上,关闭思考模式时,每个任务的工具调用量减少 53–73%,生成的 token 数减少 44–60%;在 130 个任务中,有 111 个任务的工具调用量更少。开启思考模式后,在 SWE-bench Pro 上,工具调用量仍减少 31–48%,token 数减少 24–43%。在 Terminal-Bench 上,工具调用量减少 19–25%,而 token 数基本不变。
½ 的权重是使用第 120 步的 adapters 在 Terminal-Bench 2.1 上选定的,因此 Terminal-Bench 的数据略显乐观;SWE-bench Pro 完全没有参与这一选择。完整的配对结果见 super-adapter 的模型卡。
最终结果
本节先介绍训练期间的情况,然后说明 adapters 在其自身 harness 内外的留出基准测试中取得的成绩。
训练结果
训练累计进行了 598 步,共训练 78,114 个样本,恰好包含 167M 个训练 token。
训练过程中可以清楚地看到,模型学会了用越来越少的步骤解决任务,且没有明显的饱和迹象。尽管训练正确率有时呈现明显的上升趋势,但总体似乎保持平稳。这可以解释为:模型在训练期间会遇到新任务,但随着轨迹缩短,单步 token 预算内可容纳的组数增加了一倍以上。准确率的提升体现在下文的留出基准测试中。
另一方面,safeagents 成功拦截了多次可疑尝试。在三次训练运行中,共检查了 1.3M 次工具调用,其中 647 次被拦截。
评估结果
本节介绍评估设置、harness 内的结果、不同 harness 之间的迁移,以及分布外检验。
评估设置
我们在每个 adapter 的训练 harness 内,使用两个智能体编码基准测试对其进行评估:Terminal-Bench 2.1 的全部 89 个任务(每个任务限时 1 小时,最多 100 个智能体步骤),以及 SWE-bench Pro 中最难的 51 个任务(限时 2 小时,最多 100 个智能体步骤)。每个任务的最大 token 数限制为 131072。我们没有调整智能体设置,所有 harness 均采用默认配置。例如,Pi 不会保留之前的推理轮次,而 OpenCode 和 Hermes 会保留;由于上下文会迅速溢出,这一点主要影响 SWE-bench Pro 的结果。因此,不能直接比较不同 harness 的结果(使用 Pi 并不一定会比使用 Hermes 或 OpenCode 得到更好的结果),但在同一 harness 内比较结果并得出结论是公平的。
每次 rollout 都通过与训练相同的 Harbor 和 OpenEnv 技术栈,在 HF 沙箱中运行;每个任务仅尝试一次,temperature 为 0.8,并关闭思考模式。每个 LoRA checkpoint 都会合并到基础权重中,并在单块 GPU 上通过 vLLM 单独提供服务,并发度与基础模型评估时相同。
对于所有评估基准测试,我们都会报告 pass@1,以及全部任务和已解出任务的工具调用次数与总轮数。
为保持开放透明,最终评估的所有模型轨迹都已上传至这个公开 bucket:harness-hub/harness-adapters-trajectories。
最终评估结果
三个专用 adapters 在各自的 harness 下、两个基准测试上均优于基础模型。在 SWE-bench Pro(最难的 51 个任务)上,pi 从 39.2% 提升至 64.7%(+25.5 个百分点:新解出 15 个任务,丢失 2 个原本能解出的任务,p = 0.002);hermes 从 29.4% 提升至 43.1%,opencode 从 35.3% 提升至 51.0%。在完整的 Terminal-Bench 2.1 上,pi 提高了 16.3 个百分点(16 对 2,p = 0.001),hermes 提高了 14.1 个百分点(19 对 7,p = 0.03)。Opencode 的总体成绩提高了 6.0 个百分点;在未参与其 checkpoint 选择的 66 个任务上,则提高了 13.6 个百分点(12 对 3,p = 0.035)。
这些 adapters 解决任务的效率也高得多:在它们与基础模型都能解出的任务上,SWE-bench Pro 中每个任务的工具调用量减少 56–72%,Terminal-Bench 2.1 中减少 53–70%。单一的 super-adapter 在全部三种 harness 下也都优于基础模型(SWE-bench Pro 上提高 6 至 18 个百分点,Terminal-Bench 2.1 上提高 5 至 10 个百分点),工具调用量的降幅同样显著(53–73%)。关闭思考模式时,它只保留了各专用 adapter 的部分增益,在 pi 下损失最多;但开启思考模式后,在六种 harness–基准测试组合中的五种上,它以相同推理强度击败了开启思考模式的基础模型(参见 super-adapter 一节)。每张模型卡都包含完整的配对结果。
效率和性能能否跨 harness 迁移?
为回答这一问题,我们还在 Hermes Agent 和 OpenCode 下评估了 pi harness adapter。
在 OpenCode 下,它在 Terminal-Bench 2.1 上的表现与 OpenCode 自身的专用 adapter 相当(44.8% → 54.0%,而后者为 46.4% → 52.4%)。在 Hermes 下,它保留了专用 adapter 约三分之二的增益(46.3% → 56.1%,而后者为 44.7% → 58.8%),且两者的工具调用量都减少了约 45%。因此,新学到的能力似乎能够跨 harness 迁移。
分布外任务和设置上的评估
如果我们在分布外任务上进行评估,也就是脱离 adapters 训练时所用的 harness,结果会怎样?
我们使用 AutomationBench 自己的智能体循环,而不是 Pi、Hermes 或 OpenCode,在全部五个模型上运行了 300 个 AutomationBench 任务。这些任务由业务自动化工作流评测组成。通过这种方式,我们可以交叉检验两个不同的问题:模型能否解决 SWE 相关任务之外的问题?当模型脱离其训练时所用的 harness 后,会发生什么?
结果表明,这些 adapters 的表现仍接近基础模型。Pi 和 OpenCode 略微领先(pass@1 分别为 27.0% 和 25.3%,基础模型为 23.0%),合并后的 adapter 与基础模型相当(23.7%),Hermes 则落后几个百分点(17.7%)。除 Hermes 或许是例外,这些差异都处于噪声范围内。因此,harness 内的 RL 既没有明确迁移到这一截然不同的场景,也没有破坏模型在该场景中的表现。
开放问题:模型究竟学会了什么?
我们感谢用户和社区提供的反馈。社区的初步测试和结果总体上似乎极为积极,我们也希望未来继续沿着这一方向前进。我们还看到了一些令人意外的结果,例如有用户报告称,这些 harness adapters 在 Qwen3.8 衍生模型(如 Swift-1.5)上表现非常出色。
这是我们在发布后思考的一个开放问题。仔细检查评测基准生成的轨迹后,我们发现,在非思考模式下,模型往往会先生成一些简短文本,再发起工具调用;相比之下,基础模型几乎不会预先生成任何文本,而是直接发起工具调用。
这种现象可以视为某种“推理泄漏”:模型通过生成一些有时看起来像推理痕迹的文本(例如:……等等?……让我看看,等等),学会了从非思考版本“逃逸”到思考版本。近期的一篇论文也很好地描述了 LLM 在 RL 阶段的这种行为。
这是否会使我们的模型失去效力?我们认为不会,因为最终结果依然有效;在完全相同的条件下(固定 token 预算),我们的 adapters 确实远远优于基础非思考模型,并且在 token 效率高得多的同时,达到了思考版本的性能。社区的积极反馈进一步证实了这一点。
不过,这也表明有必要开展适当的后续工作。我们将尝试把同一套流水线重新应用于纯思考模型,并探索思考/非思考混合训练,以便更好地理解 RL 训练对混合思考模型行为的影响。待获得确凿结果后,我们会与社区分享下一步发现(以及 harness adapters)。
结语与未来方向
在这项工作中,我们证明了:在目标 harness 内对模型进行 RL 训练,可以得到效率更高、因而在相同条件下评估时准确性也更高的最终模型。这一观察与 Hugging Face 团队此前的多项工作一脉相承,例如 multi-harness-RL 和早期版本的 harness adapters。
未来,我们将探索把这一方法应用于更多模型,同时更深入地研究混合思考/非思考模型的训练策略。
我们还向社区公开分享了复现全部成果的完整方法和流水线,并邀请所有人基于自己的代码库或任何相关材料构建自己的 RL 任务,再把同样的训练方法和思路应用于自己偏好的模型与 harness,从而打造效率更高的智能体模型。我们希望这篇博客文章能成为一个起点,帮助开发者今后构建并分享自己的 harness adapters。
本文提及的模型 4
Qwen/Qwen3.8-27B
harness-hub/Qwen3.8-27B-opencode-adapted-GGUF
harness-hub/Qwen3.8-27B-super-adapter
harness-hub/qwen-safeagents-plugin
本文提及的数据集 6
SWE-bench/SWE-smith-go
SWE-bench/SWE-smith-py
ai-and/termgrade-environments
harborframework/terminal-bench-2.1
harness-hub/harness-adapters
open-thoughts/TaskTrove
本文提及的 Spaces 2
多 harness RL 终极指南
在真实智能体 harness 内使用 RL 训练开放模型
AsyncGRPOTrainer 已趋于稳定:TRL 中的异步 RL
使用 AsyncGRPOTrainer 探索异步强化学习
本文提及的论文 5
使用任务算术编辑模型
解决模型合并时的干扰问题
使用 SVD 合并模型,解开症结
Agent Lightning v1.0:迈向受 Harness 约束的智能体 RL
本文提及的合集 1
Qwen3.8-27B Harness adapters
博客中的更多文章
在 HF Jobs 上使用 LoRA 进行异步 GRPO:一个存储桶、一个代理,而且无需 NCCL
使用 TRL 和 OpenEnv 训练编码模型绘制水彩画
本文提及的模型 4
AI 热点