LFM2.5-24B-A2B-opencode
адаптер для агента OpenCode с экономией вызовов
2 мин чтения
LFM2.5-24B-A2B-opencode от команды harness-hub — это LoRA-адаптер (компактная надстройка над базовой нейросетью) для модели LiquidAI/LFM2.5-24B-A2B, обученный с помощью RL (обучения с подкреплением) для работы внутри кодинг-агента OpenCode. В ходе тренировки модель запускали в изолированной песочнице с реальными файлами: она читала условие, писала код на Python или shell-команды, а верификатор оценивал точность ответа и поощрял за экономию действий. В итоге адаптер справляется с задачами по анализу данных на том же уровне точности, что и базовая модель, но тратит на 30% меньше вызовов инструментов. Разработка пригодится тем, кто разворачивает локальных ИИ-агентов для автоматизации работы с таблицами и данными.
Ключевые особенности
- На 30% меньше вызовов инструментов: на задачах анализа данных адаптер достигает цели за заметно меньшее число итераций, что ускоряет работу агента.
- Обучение в реальной среде: тренировка проходила через асинхронный GRPO в TRL на полных сессиях OpenCode в песочницах Hugging Face с проверкой безопасности вызовов через
safeagents. - Готовность к локальному запуску: адаптер легко подключается к базовой модели через
vLLM, а также доступна его GGUF-версия дляllama.cpp. - Честная оценка с ограничениями: автор открыто отмечает, что прирост подтверждён именно в связке с OpenCode и на задачах анализа данных, тогда как на сложных репозиториях из
traj2envsрезультат остаётся на уровне базы.
Что можно сделать
- Подключить адаптер к локальному OpenCode через vLLM или llama.cpp, чтобы автоматизировать анализ CSV-таблиц и локальных наборов данных.
- Использовать конфигурацию обучения из примера
async_grpo_harborв библиотеке TRL как шаблон для дообучения собственных моделей под агентские задачи.
Пример
vllm serve LiquidAI/LFM2.5-24B-A2B \
--enable-lora --max-lora-rank 32 \
--lora-modules lfm2.5-harbor-opencode=harness-hub/LFM2.5-24B-A2B-opencode \
--enable-auto-tool-choice --tool-call-parser lfm2 --reasoning-parser qwen3 \
--max-model-len 131072
Подробнее
Бенчмарк SmolDataEnvs (150 задач): 84.0% против 82.7% у базовой модели (+1.3 ± 4.5 п.п.) при снижении числа вызовов инструментов на 30%.Бенчмарк traj2envs (40 сложных задач по репозиториям): 20.0% против 25.0% у базы (-5.0 ± 13.9 п.п., в пределах погрешности).
Детали обучения: шаг 160 из 200, AsyncGRPO, LoRA (r=32, alpha=64, все линейные слои), контекст до 131 072 токенов, обучение на 4× NVIDIA H200.
Ограничения: заточен строго под промпты и инструменты OpenCode; в других агентах качество может оказаться на уровне базы или ниже.










Комментарии