Was ist Qwen3.8-27B-pi-adapted?
Qwen3.8-27B-pi-adapted ist ein LoRA-Adapter für Alibabas Qwen3.8-27B, mit Reinforcement Learning darauf trainiert, als Modell hinter pi zu arbeiten, einem quelloffenen Coding-Agenten für das Terminal. Veröffentlicht wurde er im November 2026 von harness-hub, einer Hugging-Face-Organisation, deren Launch-Beitrag Hugging-Face-Ingenieure verfasst haben, als einer von drei Adaptern pro Harness (pi, Hermes Agent und OpenCode) plus einem zusammengeführten Adapter, der unter allen drei läuft.
Der Adapter verändert die Basisgewichte nicht. Er ergänzt LoRA-Schichten mit Rang 32 an den Attention- und Feed-Forward-Projektionen, trainiert mit dem experimentellen AsyncGRPO-Trainer von TRL im echten pi-Harness auf 750 Software-Aufgaben aus scale800 und 300 Terminal-Aufgaben aus TermGrade, auf zwei NVIDIA-B200-GPUs. Man lädt ihn auf Qwen3.8-27B in vLLM oder llama.cpp oder führt ihn zu einem eigenständigen Checkpoint von etwa 54GB in BF16 zusammen. Alle Auswertungs-Trajektorien sind veröffentlicht.
Lohnt sich Qwen3.8-27B-pi-adapted?
Dieser Adapter zeigt, wie viel ein Modell gewinnt, wenn es in genau dem Agenten-Harness trainiert wird, in dem es später läuft. Unter pi mit ausgeschaltetem Denken hebt er Qwen3.8-27B auf den 51 schwersten SWE-bench-Pro-Aufgaben von 39,2% auf 64,7%, mit 15 neu gelösten und 2 verlorenen Aufgaben, und auf 86 Aufgaben von Terminal-Bench 2.1 von 39,5% auf 55,8%. Beide Änderungen bestehen einen Vorzeichentest (p = 0,0023 und 0,0013), und der Terminal-Bench-Gewinn hält mit 16,2 Punkten auf den 68 Aufgaben, die nicht zur Auswahl des Checkpoints dienten.
Der größere Befund ist die Effizienz. Mit ausgeschaltetem Denken zieht der Adapter auf Terminal-Bench 2.1 mit dem Basismodell bei höchster Denkstufe gleich (56,6% gegenüber 54,2%) und holt auf SWE-bench Pro 25 der 35 Punkte, die das Denken bringt (64,7% gegenüber 74,5%), bei etwa 4,5-mal weniger erzeugten Token pro Aufgabe. Bei Aufgaben, die beide lösen, braucht er auf SWE-bench Pro 23 Runden, wo das Basismodell 59 braucht, und auf Terminal-Bench 8 gegenüber 18.
Die Model Card ist ungewöhnlich offen. Sie verzeichnet zwei Korrekturen der eigenen Zahlen, eine wegen einer Output-Grenze von 16k, die langes Denken abschnitt, und eine wegen eines Netzwerktunnels, der in neun Läufen des Basismodells ausfiel, und sie merkt an, dass ein Teil des Gewinns daher kommt, innerhalb des Budgets von 100 Schritten fertig zu werden, das das Basismodell oft ausschöpft. Alle Trajektorien, bewertet oder nicht, liegen in einem öffentlichen Bucket.
Der Haken: Er ist eng. Die Gewinne sind nur unter pi gemessen, nur mit Text, Temperatur 0,8 und der Completions-API von OpenAI; die Model Card warnt, dass die Responses-API, pis Standard, nie trainiert oder getestet wurde. Die GGUF-Version wurde nicht neu bewertet, Quantisierungen der Basis mit weniger Bits weichen stärker vom trainierten Verhalten ab, und das Training stoppte bei Schritt 191 von 1.000 geplanten. Mit eingeschaltetem Denken erreicht er dieselben 74,5% wie das Basismodell, bringt also nichts für alle, die ohnehin für langes Denken zahlen.
Unser Fazit: Wer pi auf der eigenen GPU betreibt, bekommt ein kostenloses Upgrade, das einen langsamen Grübler in einen zügigen Abschließer verwandelt; wer ein anderes Harness nutzt, findet in den Geschwister-Adaptern und dem veröffentlichten TRL-Rezept den interessanteren Teil der Veröffentlichung.
Wo es sich lohnt
Ein Entwickler, der pi mit einem lokalen Modell auf einer Workstation-GPU nutzt
Fehlschlagende Tests und kleine Bugs beheben, ohne API-Token zu bezahlen
Qwen3.8-27B mit vLLM und `--lora-modules qwen3.8-pi=harness-hub/Qwen3.8-27B-pi-adapted` bereitstellen, Denken aus, und pi über die openai-completions-API darauf zeigen lassen. Sitzungen enden in etwa der Hälfte der Runden des Basismodells.
Ein Mac-Entwickler mit Llama.app
Einen stärkeren lokalen Agenten vom Laptop aus betreiben
Ein Qwen3.8-27B-GGUF (Q8_0 ist der Standard der Model Card; Q4_K_XL ist etwa 17GB groß) mit der F16-LoRA-Datei in models.user.ini eintragen und die Erweiterung pi-llama nutzen. Der GGUF-Weg wurde nicht neu gemessen.
Ein ML-Team in einem Unternehmen mit eigenem Agenten-Harness
Einen günstigen Adapter trainieren, der zum eigenen Harness und Aufgabenmix passt
Dem veröffentlichten TRL-Rezept `async_grpo_harbor` folgen: Aufgaben im Harbor-Format, bereitgestellt über OpenEnv, das Harness unverändert, zwei B200-GPUs pro Harness. Trainingskurve und Trajektorien in der Model Card zeigen, was zu erwarten ist.
Bevor du dich festlegst
- Einrichtung
- pi mit `npm install -g --ignore-scripts @earendil-works/pi-coding-agent` installieren (Node.js 22.19+), Qwen3.8-27B mit der LoRA in vLLM bereitstellen und einen lokalen Provider mit `"api": "openai-completions"` in ~/.pi/agent/models.json eintragen.
- Integrationen
- vLLM (LoRA oder zusammengeführt), transformers serve, llama.cpp und Llama.app über den GGUF-Adapter, die Erweiterung pi-llama; Geschwister-Adapter gibt es für Hermes Agent und OpenCode.
- Daten und Datenschutz
- Selbst gehostet, Code und Prompts bleiben also auf deinem Rechner. Das Training nutzte öffentliche Harbor-Aufgabensätze und HF-Sandboxes, deren Werkzeugaufrufe safeagents prüfte; die Auswertungs-Sandboxes hatten Internetzugang, und die Model Card fand keine Abfragen der Original-Fixes.
- Kosten im großen Maßstab
- Keine Lizenzgebühr; die Kosten sind der Betrieb eines 27B-Modells. Laut Model Card erzeugte das denkende Basismodell im Median 48,8k Token pro SWE-bench-Pro-Aufgabe, der Adapter 9,4k, dieselbe GPU schafft also ein Mehrfaches an Aufgaben.
- Grenzen
- Ausgeschaltetes Denken ist die trainierte Einstellung; Auswertungsbudget von 100 Schritten und 131.072 Token; funktioniert nur auf Qwen3.8-27B; Vision-Tower wird nicht bereitgestellt; Prefix-Caching in vLLM braucht `--mamba-cache-mode align`.
Was gut ist
- Schwere SWE-bench-Pro-Teilmenge von 39,2% auf 64,7% unter pi ohne Denken
- Etwa 4,5-mal weniger erzeugte Token als das denkende Basismodell
- Weniger als die Hälfte der Agentenrunden des Basismodells bei Aufgaben, die beide lösen
- Korrekturen, Trajektorien und Trainingsrezept veröffentlicht
- Apache 2.0; läuft als LoRA in vLLM oder llama.cpp oder zusammengeführt
Was nicht
- Nur unter dem pi-Harness mit der Completions-API bewertet
- GGUF-Adapter nicht neu bewertet; Basis-Quants mit wenigen Bits weichen ab
- Kein Gewinn gegenüber dem Basismodell, sobald Denken an ist
- Braucht das vollständige 27B-Basismodell; Vision wird nicht bereitgestellt
Am besten für
Entwickler, die den pi-Coding-Agenten auf eigener GPU oder eigenem Mac betreiben und ohne Denken bessere Ergebnisse sowie kürzere, günstigere Sitzungen wollen.
Alternativen zu Qwen3.8-27B-pi-adapted
Qwen3.8-27B-pi-adapted: häufige Fragen
- Lohnt sich Qwen3.8-27B-pi-adapted?
- Ein kleiner, gut dokumentierter Adapter, der Qwen3.8-27B mit ausgeschaltetem Denken zu einem weit besseren pi-Agenten macht, und ein nützliches Rezept, auch wenn du pi nie nutzt. Wir bewerten es mit 3.9 von 5.
- Was kostet Qwen3.8-27B-pi-adapted?
- Kostenlos unter Apache 2.0, wie die nötige Basis Qwen3.8-27B. Für den Betrieb musst du die 27B-Basis selbst hosten; ein 4-Bit-GGUF der Basis ist etwa 17GB groß.
- Welche Nachteile hat Qwen3.8-27B-pi-adapted?
- Nur unter dem pi-Harness mit der Completions-API bewertet; GGUF-Adapter nicht neu bewertet; Basis-Quants mit wenigen Bits weichen ab; Kein Gewinn gegenüber dem Basismodell, sobald Denken an ist; Braucht das vollständige 27B-Basismodell; Vision wird nicht bereitgestellt.
- Für wen eignet sich Qwen3.8-27B-pi-adapted?
- Entwickler, die den pi-Coding-Agenten auf eigener GPU oder eigenem Mac betreiben und ohne Denken bessere Ergebnisse sowie kürzere, günstigere Sitzungen wollen.
- Was kostet Qwen3.8-27B-pi-adapted für ein Team oder im Produktivbetrieb?
- Keine Lizenzgebühr; die Kosten sind der Betrieb eines 27B-Modells. Laut Model Card erzeugte das denkende Basismodell im Median 48,8k Token pro SWE-bench-Pro-Aufgabe, der Adapter 9,4k, dieselbe GPU schafft also ein Mehrfaches an Aufgaben.
- Ist Qwen3.8-27B-pi-adapted sicher für Firmendaten?
- Selbst gehostet, Code und Prompts bleiben also auf deinem Rechner. Das Training nutzte öffentliche Harbor-Aufgabensätze und HF-Sandboxes, deren Werkzeugaufrufe safeagents prüfte; die Auswertungs-Sandboxes hatten Internetzugang, und die Model Card fand keine Abfragen der Original-Fixes.
- Was sind die besten Alternativen zu Qwen3.8-27B-pi-adapted?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3.8-27B, Inkling 2 Mini und Gemma 4.
Antworten geprüft am 21. Nov. 2026.