OpenCSG Agentic-27B-V2
сильный агентный файнтюн для автоматизации и кодинга
2 мин чтения
Модель OpenCSG Agentic-27B-V2 на базе Qwen/Qwen3.8-27B обучена через LoRA SFT на траекториях, собранных из реальных сбоев, воспроизведенных и проверенных в контролируемых средах. В отличие от генерации синтетических задач вслепую, здесь реальные ошибки пользователей прогоняются через окружения, а отучивается модель только на тех траекториях, которые успешно проходят детерминированные верификаторы. На held-out тестах новинка заметно опережает базовую модель и даже превосходит учительскую модель DeepSeek-V4.1-Flash в бизнес-автоматизации. Решение подходит для развертывания на одной 80GB GPU и решения сложных рабочих задач.
Ключевые особенности
- Превосходство над учителем: модель набирает 41.67% на AutomationBench, обходя учительскую модель DeepSeek-V4.1-Flash (33.3%).
- Патч реальных багов: тренировочные данные собираются не по наитию, а из реальных сбоев платформы, перепроверенных в средах выполнения.
- Две линии возможностей: одновременный рост в бизнес-автоматизации (AutomationBench) и программной инженерии (SWE-bench Pro).
- Эффективный масштаб: плотная 27B dense архитектура в BF16, исполняемая на одной 80GB видеокарте.
Что можно сделать
- Развернуть локальный API-сервис автоматизации и работы с кодом с поддержкой OpenAI-совместимых вызовов.
- Автоматизировать кросс-системные бизнес-процессы и SaaS-цепочки (CRM, почта, таблицы).
- Интегрировать в среды разработки для поиска и исправления багов в реальных кодовых репозиториях.
Пример
vllm serve ./Agentic-27B-V2 \
--served-model-name OpenCSG/Agentic-27B-V2 \
--tensor-parallel-size 1 \
--gpu-memory-utilization 0.88 \
--max-model-len 32768 \
--enable-auto-tool-choice \
--tool-call-parser qwen3_xmПодробнее
• База: Qwen/Qwen3.8-27B• Метрики: AutomationBench 41.67% (+38.9% рел.), SWE-bench Pro 91.67%
• Железо: 1 × 80GB GPU (BF16), макс. контекст 262,144 токенов
• Учитель: DeepSeek-V4.1-Flash-1017










Комментарии