허깅페이스, 에이전트용 하니스 어댑터 공개
최근 30일 조회수 — 좋아요 —핵심 요약
동결한 모델에 하니스별 LoRA를 학습해 정확도를 높이고 토큰 사용량을 줄이는 방법을 제시했다.

허깅페이스(Hugging Face)가 에이전트 실행 환경인 ‘하니스(harness)’에 모델을 맞추는 ‘하니스 어댑터(harness adapter)’ 학습법을 공개했다. 범용 성능을 겨냥한 모델의 가중치는 고정하고, 실제 사용할 하니스와 작업 분포 안에서 강화학습(RL)한 저랭크 적응(LoRA) 어댑터를 덧붙이는 방식이다. 허깅페이스는 이렇게 학습한 모델이 같은 하니스에서 정확도는 높이고 토큰 사용량은 줄였다고 밝혔다.1
대표 사례는 Qwen3.8-27B와 Pi 하니스의 조합이다. 기본 모델은 Terminal-Bench 2.1에서 pass@1 39%를 기록했고 작업당 평균 2,900토큰을 썼다. 가중치를 동결한 채 맞춤형 LoRA를 적용하자 pass@1은 55%로 16%포인트 올랐고, 평균 토큰 사용량은 1,500개로 약 48% 줄었다. 허깅페이스는 모델이 추론과 도구 호출을 덜 반복하면서 첫 시도 성공률을 높인 결과라고 설명했다.1
이번 실험은 Pi뿐 아니라 OpenCode와 Hermes Agent까지 세 하니스를 대상으로 했다. 사용한 버전은 각각 Pi 1.5.2, OpenCode 2.2.7, Hermes Agent v0.22.6이다. Qwen3.8-27B용 LoRA를 하니스별로 하나씩 학습했으며, 회사 발표에 따르면 각 어댑터는 두 벤치마크에서 해당 하니스로 실행한 기본 모델보다 성능과 효율이 모두 높았다. 세 LoRA를 합쳐 세 환경에서 설정 변경 없이 실행할 수 있는 단일 ‘슈퍼 어댑터’도 만들었다.1
핵심은 학습 때 실제 배포할 하니스를 그대로 실행한다는 점이다. 별도로 에이전트 루프를 재구현하지 않고, 하니스와 vLLM 사이의 프록시가 생성 토큰을 기록해 학습기에 전달한다. 데이터셋 제작과 학습, 에이전트 롤아웃은 허깅페이스 허브의 Jobs에서 진행했으며 TRL의 AsyncGRPOTrainer, OpenEnv, Harbor를 사용했다. 강화학습 작업은 기존 환경에서 가져온 과제와 Repo2RLEnv로 생성한 과제를 OpenEnv로 검증해 구성했다.1
다만 공개된 구체적 수치는 Qwen3.8-27B와 Pi의 Terminal-Bench 2.1 결과다. 다른 하니스와 두 벤치마크의 전체 점수는 주어진 자료에 제시되지 않았다. 따라서 하니스 어댑터의 효과를 모든 모델과 작업으로 일반화하기보다, 특정 모델·하니스·작업 분포를 함께 최적화한 결과로 읽어야 한다.
Footnotes
읽기 목록은 이 브라우저에 저장됩니다.
출처
- Introducing harness adapters: adapt your favorite model to your harness to improve performance and cost — Hugging Face Blog
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요. 교차 보도 없이 단독 출처로 작성됐습니다.