Qwen3.8 Super-adapter 公開:三套程式代理共用調整,工具少呼叫就比較好嗎?
Qwen3.8 Super-adapter 合併三套程式代理的 LoRA 調整。解析共同題目完成率、工具次數分母、思考設定,以及專用版與合併版的選擇。
Qwen3.8 Super-adapter 想減少模型在不同程式代理裡繞路的時間。因為同一個模型換了工具,可能反覆找檔案或用錯指令,訓練它如何配合工具,也會影響能否完成工作。
Hugging Face 在 2026 年 11 月 20 日公開 Qwen3.8 Super-adapter,把分別配合 pi、Hermes 與 OpenCode 的三份小型模型調整合成一份,並公布完整訓練與評測配方。
這份調整稱為 LoRA adapter,意思是在原模型旁加入少量可學習參數。合併後仍以原本的 Qwen3.8-27B 為基礎,重點是能否兼顧多套工具,而非重新訓練一個通用模型。
官方結果顯示,合併版在多組程式任務中減少工具呼叫,但專用版在關閉思考時經常更準。因此,檔案變成一份,不代表每種使用情境都會得到最好的答案。
我認為這份成果適合已有開放模型部署能力、想比較代理成本的團隊。選擇時要同時看完成率、思考模式與工具次數,不能只憑節省百分比就換掉原有模型。
先看模型和工具環境如何分工,就能理解三份調整為什麼能合併,以及合併時會犧牲哪些原本的優勢。
Qwen3.8 Super-adapter 合併的是什麼?
它把同一個底層模型、分別配合三套代理工具的參數調整合在一起,因此工具環境與模型仍要分別確認。
程式代理的工具環境稱為 harness,包含模型能叫哪些工具、如何讀檔,以及每一步結果怎麼回到對話。模型懂得修程式,仍可能因為不熟悉這套流程,把許多回合花在找路。
這次研究分別讓同一個模型在三套環境練習,再把學到的調整合併。因為底層模型相同,合併處理的是參數變化,並沒有把三套代理程式直接接成一個產品。
LoRA 的作用像是替既有能力加上專門練習的方向。原模型的大部分參數不變,只更新較小的一組參數,因此同一個基礎可以搭配不同調整。
官方把模型放進工具環境,用任務是否完成提供回饋。這種強化學習會影響模型採取哪些動作,但改進是否有效,仍要在沒有直接練過的題目上觀察。
對部署者來說,一份合併調整可以減少管理多個版本的負擔。但實際服務仍要載入底層模型,不能把調整檔的小尺寸理解成整套模型只需要那麼少記憶體。
新成果也有明確適用對象。它針對 Qwen3.8-27B 與列出的工具環境公布結果,沒有保證能原樣套到任意模型、任意版本,或所有自建代理。
能放在同一個模型旁,只回答了部署方式,還要看調整相加後會不會互相干擾。

三份 LoRA 為何採半強度合併?
官方比較不同合併權重後,選擇讓每份調整以一半強度加入,因為直接相加會讓部分代理過度縮短工作。
合併前,作者先比較三份調整在各層改變參數的方向。方向相似度約為 0.01 至 0.02,表示這些變化彼此差異很大,較有機會保留各自學到的內容。
這仍只是合併的有利條件,不能直接保證答案品質。因此團隊實際比較每份調整的三分之一、一半與完整強度,觀察工作結果如何改變。
直接相加會大幅減少工具動作,但代價不一致。在選權重的測試裡,平均每題工具呼叫從基礎版約 49 次降到約 13 次,pi 的完成表現卻退回接近基礎版。
這個例子很實用:模型少做事,可能是更快找到解法,也可能是太早結束。只追工具次數,會把兩種情況混在一起。
一半強度在這輪測試取得較均衡的結果,因此正式合併採用這個設定。技術上是沿著 LoRA 的 rank 維度串接,rank 可理解成描述調整容量的數值,三份 32 合成 96。
正式版本使用 pi 與 Hermes 的第 160 步,以及 OpenCode 的第 150 步檢查點。檢查點是訓練中保存的模型狀態,所以這不是把三份未完成的最新檔案隨意相加。
選權重用的是第 120 步的版本與 Terminal-Bench 2.1。因為這套考題參與選擇,後續同一評測的數字可能稍微樂觀,官方也明確揭露了這個限制。
這項選擇是在特定考題上調出來的,因此解讀最終成績時,也要把選擇過程算進去。
完成率與工具呼叫怎麼比較,哪些百分比不能混用?
評估必須在相同代理環境、相同思考設定下比較,而且效率數字只取兩個模型都完成的任務。
官方模型卡把比較限制在相同環境。因為 pi 與另外兩套工具保留推理歷史的方式不同,跨環境高低不能直接當成代理排行榜。
思考模式也要固定。這裡的思考,是模型在作答時使用較多推理過程的設定。合併版雖未以開啟思考的方式訓練,研究仍另外測試了開啟後的結果。
關閉思考時,六組代理與評測配對的平均單次完成率,從 39.5% 提升至 49.0%。開啟思考、使用相同預設努力程度時,平均由 55.5% 到 63.5%。
後一組比較是五組提高、一組持平。pi 在較難的程式修復題上,基礎版與合併版都達到 74%,因此不能說每一組都進步。
這些成績也有題數條件。合併比較取各次執行都成功評分的共同題目,程式修復約五十至五十一題、終端機任務約八十二至八十五題,每題只嘗試一次。
效率百分比的分母更窄,只計算基礎版與調整版都解對的題目。這能比較同一項成功工作花多少動作,卻不包含只有其中一個模型成功的工作。
在這個共同成功範圍,關閉思考後工具呼叫減少 53% 至 73%。開啟思考時,程式修復減少 31% 至 48%,終端機任務則減少 19% 至 25%。
工具次數也不等於費用或等待時間。開啟思考的終端機測試裡,生成文字量大致相近,因此少呼叫工具未必帶來同幅度的模型用量下降。
這也解釋了為什麼同一份合併版,對單一代理和跨代理部署會有不同吸引力。
專用調整與合併版怎麼選,效果會延伸到辦公任務嗎?
只使用一套代理且關閉思考時,專用調整往往更有利。需要多套代理與思考模式時,才值得比較合併版。
如果只用 pi 並關閉思考,專用版在共同程式修復題可到 64%,合併版是 46%。這顯示分享多種環境的能力,可能犧牲某一套工具原本的專精優勢。
六組關閉思考的比較裡,專用調整有四組領先合併版。因此部署選擇應先問自己是否真的要共用多種工具,而非預設合併後比較新,就應全部換掉。
若團隊同時維護多套代理,又願意開啟思考,合併版的結果更值得研究。它可能提供較簡單的模型管理方式,但仍要把等待、成功率與運算資源一起量測。
研究也用三百題辦公自動化工作,測試能力是否能離開原本的程式環境。基礎版完成率是 23.0%,合併版為 23.7%,差異沒有形成明確的跨領域改善。
所以,程式題中的工具效率,不能直接延伸成整理報表、處理客服或串接內部系統都更可靠。這些工作有不同工具與驗收規則,仍需自己的案例。
作者觀察到,關閉思考的調整版有時仍會在工具前生成短短的推理文字。官方稱之為推理外漏現象,提醒設定名稱不能代表模型完全沒有做推導。
訓練本身也花了資源。官方三組訓練累計 598 步、使用 78,114 份樣本,合計約一億六千七百萬個訓練單位。這些是訓練用量,與之後每題生成多少文字分開。
訓練單位稱為 token,是模型拆解文字與程式內容的基本片段,不能直接當成中文字數。比較部署成本時,應看實際服務的輸入與輸出計價,不能用訓練總量換算單次任務費用。
作者看到工具軌跡逐漸縮短,但訓練中的答對比例沒有同樣持續上升,因為每一步遇到的任務會改變。這也是另外保留固定考題的原因,讓版本改善有一致的比較對象。
固定考題仍有邊界。程式修復與終端機工作覆蓋的需求有限,任務時間超出測試上限、需要未提供的工具,或涉及公司私有資料時,都應重建符合自身要求的驗收。
固定相同資源上限後,觀察到的完成率仍有比較意義。但要解釋它究竟學會了更好的工具策略,或改變了表達推理的方法,還需要後續研究。
選好方向後,仍要在自己的任務與安全限制下重跑,才能知道官方結果能否轉成可用的改進。
怎麼驗證自己部署後真的省時又解得對?
我會先固定模型、代理版本與題目,再把完成率和每題資源一起記錄,避免把少做工作當成效率改善。
一份可重做的測試,應同時保留模型版本、調整檔、代理版本與提示設定。若只換模型名稱,卻連工具權限與思考程度都改了,就很難知道改善來自哪裡。
題目也應包含失敗案例。例如原本會反覆編輯同一檔案的修錯題,可以追蹤修改次數、測試結果,以及最後是否真的解決需求,而不只看結案文字。
官方評測為終端機題設定一小時、程式修復題兩小時,並限制代理步數與生成量。自己的任務若只能等幾分鐘,就應使用符合服務要求的另一組上限。
防護也應與模型一起固定。此次訓練以 safeagents 檢查約一百三十萬次工具呼叫,擋下 647 次可疑動作,但這是規則偵測結果,沒有證明所有危險行為都被涵蓋。
對開發者而言,可以把禁止讀取答案、禁止修改驗收檔與隔離執行環境列入測試條件。這些限制若在正式服務消失,測試成績也就不再代表同一套系統。
最後保存每題是否完成、模型用量、工具次數與實際等待。當某個版本少用工具卻增加失敗,就能回到具體題目調整,而不是只看平均值宣告升級成功。
這份新配方提供可重做的起點,是否適合替換既有模型,要由自己的任務結果決定。
先比較自己的成功任務,再決定是否合併部署
這份成果讓跨工具環境的模型調整更容易研究,但選擇仍要回到工作範圍。單一代理可以先比較專用版,多套代理則固定思考設定後試合併版。保留成功率與實際資源證據,才知道省下的動作是否真的換成可用的工作。
延伸閱讀:Hugging Face 公開 Harness adapters 訓練:小型模型如何學會更有效率地用工具?
延伸閱讀:DSpine 新增 Qwen3.8-27B 草稿權重,代理回放快三倍代表什麼?
常見問題(FAQ)
Qwen3.8 Super-adapter 可以不載入原模型嗎?
不行,它是配合原基礎模型的參數調整。部署時仍要考慮底層模型、服務框架與工具環境所需資源,不能把調整檔大小當成整套記憶體需求。
只用一套程式代理,應先選合併版嗎?
若關閉思考,官方結果中專用版經常較好,可以先從對應的專用調整比較。需要多種工具或開啟思考時,再評估合併版是否值得。
工具呼叫少七成,帳單也會少七成嗎?
不一定。效率數字只涵蓋兩個版本都解對的題目,帳單還受文字生成量、模型服務、工具成本與失敗重試影響,需要另外計算。