Primeira páginaDiário da IA
Novas IAs

Hugging Face detalha adaptadores para ajustar modelos a agentes de programação

A Hugging Face publicou uma receita para adaptar modelos a ferramentas usadas por agentes de programação. Em um teste com o Qwen3.8-27B, o método elevou a pontuação e reduziu o uso médio de tokens.

Adaptador modular liga um modelo de linguagem a um terminal de programação, ilustrando o ajuste de agentes de código da Hugging Face.
Ilustração editorial · Diário da IA

A Hugging Face publicou uma receita para treinar adaptadores que ajustam modelos de IA a ferramentas específicas de agentes. O trabalho avaliou o método em tarefas de programação com três ambientes: Pi, OpenCode e Hermes Agent.

Em um exemplo com o Qwen3.8-27B e o Pi, a pontuação no Terminal-Bench 2.1 foi de 39% para 55% em pass@1 após a inclusão de um adaptador LoRA treinado com aprendizado por reforço. O uso médio caiu de 2,9 mil para 1,5 mil tokens por tarefa. Segundo a empresa, a melhora se deve em grande parte a menos raciocínio e chamadas de ferramentas, além de mais acertos na primeira tentativa.

A equipe reuniu e validou tarefas de programação e selecionou desafios que o modelo-base resolvia apenas em algumas tentativas. A Hugging Face também publicou um conjunto de dados e uma receita para reproduzir o treinamento em outras combinações de modelo, ferramenta e tarefa. Os resultados apresentados são de avaliações específicas e não demonstram uma melhora geral do modelo em qualquer uso.

O que muda para você

A receita serve a quem desenvolve agentes de programação e quer ajustar um modelo a uma ferramenta e a tarefas específicas. Para reproduzir o método, é preciso preparar e validar tarefas e treinar o adaptador. Isso não atualiza o Qwen3.8-27B para todos os usos nem representa uma mudança imediata para usuários comuns.

Minha leitura

O ganho depende de treinar o modelo para uma combinação bem definida de ferramenta e tarefa. Isso torna a abordagem interessante para quem constrói agentes, mas limita o alcance dos números: o resultado no Pi e no Terminal-Bench 2.1 não garante o mesmo desempenho em outro ambiente. Eu avaliaria primeiro se as tarefas usadas no treinamento representam o trabalho real que o agente terá de fazer.

Thiago FelizolaConsultor de IA, curador do Diário da IA

Primeira páginaArquivo de notícias