Hugging Face تطلق محولات Harness: Qwen3.8-27B يقفز من 39% إلى 55%
⚡ خبر عاجل
Hugging Face
20 نوفمبر 20264 دقائق1

Hugging Face تطلق محولات Harness: Qwen3.8-27B يقفز من 39% إلى 55%

بقلم — محلل ومحرر تقني أول

العودة للأخبار
❝

أعلنت Hugging Face عن تقنية harness adapters التي تدرّب محولات LoRA عبر التعلم المعزز داخل بيئة الوكيل نفسها. النتائج على Qwen3.8-27B: ارتفاع دقة Terminal-Bench 2.1 من 39% إلى 55% مع خفض التوكنز من 2.9K إلى 1.5K لكل مهمة. تُدمج المحولات الثلاثة في super adapter واحد يعمل على Pi وOpenCode وHermes Agent دون تعديل.

الموجز الإحصائي السريع

أعلنت Hugging Face رسمياً عبر مدونتها التقنية عن إطلاق تقنية harness adapters، وهي منهجية لتدريب محولات LoRA بالتعلم المعزز داخل بيئة الوكيل الفعلية. النتائج المؤكدة على Qwen3.8-27B: ارتفاع دقة Terminal-Bench 2.1 من 39% إلى 55% pass@1، مع انخفاض متوسط التوكنز من 2.9K إلى 1.5K لكل مهمة. جميع المخرجات (المحولات، GGUFs، مهام RL، إضافة safeagents) متاحة فوراً عبر مجموعة Hugging Face الرسمية.

📊 بطاقة البيانات والمواصفات التقنية الرسمية

المحور التقنيالبيانات الرسمية المؤكدة
💰 الأسعار وتكلفة الاستخداممفتوح المصدر ومجاني عبر Hugging Face Hub؛ التكلفة التشغيلية تنخفض ~48% في التوكنز لكل مهمة (2.9K → 1.5K) على Qwen3.8-27B مع harness Pi.
🌐 المنصات والتوفر الفوريHugging Face Hub (Jobs, Datasets, Models)؛ صور Docker جاهزة لـ Pi 1.5.2 وOpenCode 2.2.7 وHermes Agent v0.22.6؛ ملفات GGUF؛ إضافة safeagents؛ مستودع harness-hub/agentic-coding-envs.
⚡ الأداء ومؤشرات السرعةTerminal-Bench 2.1: من 39% إلى 55% pass@1 (+16 نقطة). متوسط التوكنز: من 2.9K إلى 1.5K لكل مهمة. كل محول يتفوق على النموذج الأساسي في كلا البنشماركين (الأداء والكفاءة).
🛡️ الأمان ومقاومة الاختراقإضافة safeagents مضمّنة؛ تحقق openenv validate يفحص oracle_max وfloor_gap وcanary_floor وepisode_determinism؛ 858 من 1,127 مهمة اجتازت الفحص الأمني والوظيفي.
🧠 سياق الذاكرة (Context Window)Qwen3.8-27B بحجم 27 مليار معامل؛ OpenCode مضبوط على 48 استدعاء نموذج كحد أقصى؛ thinking mode معطّل أثناء rollout لتقليل التوكنز.
🌍 دعم اللغة العربية والمنطقةلا يوجد إعلان رسمي عن دعم عربي مخصص؛ المنهجية عامة وقابلة للتطبيق على أي توزيع مهام بما فيها النصوص العربية عبر Repo2RLEnv وTasksmith.

تفاصيل الإعلان والميزات التقنية الجديدة

تعتمد المنهجية على تدريب محول LoRA واحد لكل harness (Pi، OpenCode، Hermes Agent) فوق Qwen3.8-27B باستخدام TRL's AsyncGRPOTrainer مع OpenEnv وHarbor. الفارق الجوهري عن أطر RL التقليدية (verl، SkyRL-Gym، rLLM، slime، ART) أن الـ harness يعمل كما يُشحن تماماً، والمدرّب يتعلم من التوكنز الفعلية المسجلة عبر proxy بين الـ harness وvLLM. هذا يلغي فجوة إعادة التنفيذ بين التدريب والنشر.

بُني خط بيانات مخصص من ثلاثة مصادر: SWE-smith (717 مهمة، 144 مؤهلة) عبر حقن أخطاء في مستودعات Python وGo، وSWE-Gym عبر TaskTrove (130 مهمة، 27 مؤهلة) من قضايا GitHub الحقيقية، وTasksmith (24 مهمة، 22 مؤهلة) من 30 طلب سحب مدموج أنتج 24 مهمة في 10 مستودعات Python. الناتج النهائي: 871 مهمة من 35 مستودعاً، منها 171 مؤهلة لتدريب GRPO. من 442 مهمة مُقيَّمة، حلّ النموذج 151 دائماً و120 أبداً، و171 أحياناً — وهي المجموعة المؤهلة. استُخدمت معايرة معدل التعلم: 1e-5 لم يحرّك الدقة (0.52→0.50)، و1e-4 انهار (18→6 دورات)، و5e-5 حسّن (0.49→0.60 بحلول الخطوة 40)، فاستقر الأمر على 2e-5 للتدريب النهائي على NVIDIA 2xB200.

المقارنة المعيارية والأداء التنافسي

على Terminal-Bench 2.1 مع harness Pi، يتفوق المحول المدرَّب على النموذج الأساسي بفارق 16 نقطة مئوية (39% → 55%) مع خفض التوكنز بنسبة ~48%. يُظهر توزيع النتائج أن النموذج الأساسي يحل معظم مهام Go كل مرة، ويفشل في كل محاولات أكثر من ثلث مهام SWE-smith Python، ويقع في المنتصف على 73% من مهام SWE-Gym. كل محول يتفوق على النموذج الأساسي تحت harness الخاص به في كلا البنشماركين، والـ super adapter المدموج يعمل دون تعديل على Pi وOpenCode وHermes Agent. هذا يضعه أمام حلول RL التقليدية التي تعيد بناء حلقة الوكيل وتفقد دقة التوكنز الفعلية.

ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)

انخفاض التوكنز من 2.9K إلى 1.5K لكل مهمة يعني خفضاً بنحو النصف في تكلفة تشغيل وكلاء البرمجة، وهو عامل حاسم للشركات الناشئة العربية التي تبني أدوات تطوير. المنهجية قابلة للتطبيق على النصوص العربية عبر Repo2RLEnv وTasksmith لبناء توزيع مهام عربي مخصص (مثل معالجة RTL، والتشكيل، والمصطلحات التقنية). بما أن المحولات مفتوحة المصدر ومجانية على Hugging Face Hub، يمكن للفرق العربية تدريب محولاتها الخاصة دون تكاليف ترخيص. التوفير في التوكنز يترجم مباشرة إلى خفض فاتورة الـ API عند استخدام Qwen3.8-27B عبر مزودي الخدمة. كما أن دعم harnesses متعددة (Pi، OpenCode، Hermes Agent) يتيح للفرق اختيار بيئة العمل دون قيود.

الخلاصة والتطلعات القادمة

تمثل harness adapters تحولاً من تحسين النماذج العامة إلى تحسينها لتوزيع مهام محدد داخل بيئة تشغيل محددة، مع أرقام موثقة (+16 نقطة دقة، -48% توكنز). السؤال المفتوح الذي يطرحه فريق Hugging Face نفسه: ماذا تعلّم النموذج فعلياً؟ الإجابة ستحدد ما إذا كانت المنهجية قابلة للتعميم على مجالات أخرى غير البرمجة، وهو ما سيراقبه السوق عن كثب.

المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis

المصدر الأصلي:Hugging Faceتمت صياغة هذا الخبر بناءً على تغطية Hugging Face

أسئلة شائعة

AI Tools Oasis

فريق AI Tools Oasis

نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.

أخبار ذات صلة