Qwen3.8-27B

Qwen3.8-27B-pi устраняет аномалию затрат базовой модели через дообучение SFT и RL

Выпущена версия Qwen3.8-27B-pi, в которой исправлена логика распределения вычислительных ресурсов: уровень low теперь действительно потребляет меньше токенов, чем medium, что делает работу ИИ-агентов более предсказуемой. Новый механизм вознаграждения в RL сравнивает затраты между уровнями усилий, предотвращая «зацикливание» модели и обеспечивая последовательный рост издержек от простого к сложному режиму.

Событие: На бенчмарке Terminal-Bench 2.1 уровень medium новой версии решает столько же задач, что и xhigh в базовой модели, но тратит на 41% меньше выходных токенов.

Эффект: В исходной версии Qwen3.8-27B при установке низкого уровня рассуждений (low) модель использовала в 1.5 раза больше токенов, чем medium, при этом проходила меньше задач на Terminal-Bench 2.1.

Фактор: Качество обучения RL сильно зависит от точности верификаторов, так как без качественных тестов модель может «выучить» обходные пути вместо реального решения задачи.

Подробнее →