Sabi-Noema

Sabi-Noema

基于 Qwen3.8-27B、用开源强化学习环境训练的 27B 智能体文本模型，报告了更高的终端和编程智能体得分，适合构建编程和调用工具智能体的开发者。

由 sabicap 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Sabi-Noema 是 sabicap 推出的智能体文本模型，基于 Qwen3.8-27B 构建。作者说它只用开源的强化学习环境训练，目标是在小模型上取得更强的能力，同时减少浪费的输出。它是约 27B 参数的稠密混合结构，有 262K token 的上下文，BF16 权重约 55 GB。模型卡把发布时间写为 2026 年 10 月。另有一个单独的变体 Sabi-Noema-MLA，使用多头潜在注意力。

适合谁：如果你要构建编程和调用工具的智能体，想要一个 27B 的开放模型，作者说它完成终端和软件任务时输出的 token 更少，那它适合你，开发者尤其合适。

Title: Who uses this model
行业 | 谁在用 | 怎么用 | 例子
软件 | 开发者 | 运行在终端里工作的编程智能体 | 让它处理一个多步骤的仓库任务
AI 工具 | 智能体开发者 | 在多轮对话里驱动工具调用 | 从客服或零售工作流里调用它
AI 研究 | 研究人员 | 把智能体微调版本和它的基础模型对比 | 把它的分数和 Qwen3.8-27B 比一比

如果你需要能在普通笔记本上跑的小模型，可以跳过它，因为光 BF16 权重就约 54.7 GB。

用在哪里：

• 使用 transformers 库的 Python 脚本
• vLLM 服务器，模型卡把它的标准构建列为支持的运行方式
• llama.cpp，需要先做 GGUF 转换
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Title: Jobs it does
用途 | 适合谁 | 得到什么
终端和编程任务 | 开发者 | 能完成多步骤软件工作的智能体
工具调用 | 智能体开发者 | 在多轮对话里发起的调用
更低的幻觉率 | 需要可靠回答的团队 | 在模型卡自己的测试里，比基础模型更低的幻觉率
更少的输出 token | 在意成本的团队 | 按作者所说，在两个模型都能解决的任务上输出更短

如何设置：你需要 Python 和 huggingface_hub 包，还要有能装下 27B 模型的 GPU 配置。权重在 BF16 下约 54.7 GB，按 Hugging Face 的估算，4 位下约 13.7 GB。

• 带 pip 的 Python
• 约 54.7 GB 的可用磁盘空间，放 BF16 文件
• 能装下 27B 模型的 GPU 或服务器配置
• transformers 库、vLLM 或 llama.cpp

1. 安装 huggingface_hub。
2. 用 hf 命令下载模型文件。
3. 用你选的库和模型卡指向的生成设置加载它们。

pip install -U huggingface_hub
hf download sabicap/sabi-noema

如何使用：模型卡说要使用和 Qwen3.8-27B 相同的生成设置，也就是保存在模型生成配置文件里的默认值。聊天模板也支持通过 enable_thinking 选项关闭思考，但作者没有测试过这种模式。这里能看到的模型卡部分没有再给出运行步骤，所以请到完整的模型卡里找加载代码。

Title: Main commands
工具 | 作用
pip install -U huggingface_hub | 安装下载模型文件用的辅助工具
hf download sabicap/sabi-noema | 把模型文件保存到你的电脑上

示例：你下载文件，用 vLLM 提供服务，再给智能体一个终端里的任务。按作者的说法，在两个模型都能解决的任务上，它完成任务时输出的 token 比基础模型更少。

新手与专家：智能体模型是用来执行操作的，不只是聊天。第一小步是在下载之前，先拿你的内存和 4 位估算的 13.7 GB 以及 BF16 的 54.7 GB 做个比较。

模型卡描述的训练是从 Qwen3.8-27B 出发，使用全部开源的强化学习环境。它的表格对每个模型都用相同的测试设置，Terminal-Bench 2.1 在 H100 配置上运行，其他测试在模型卡里有说明。这些是作者自己的数字，请当作需要核实的说法。

Qwen3.8-27B 基础模型
开源强化学习环境
Sabi-Noema 智能体模型
终端和工具任务

注意事项：作者报告 Terminal-Bench 2.1 得分 76.0%，基础模型是 73.0%；DeepSWE 是 47.5%，基础模型是 38.5%；幻觉率是 15.1%，基础模型是 30.4%。他们还说，在两个模型都能解决的 Terminal-Bench 任务上，它输出的 token 约少 2.3 倍。其他人发布了 9 个量化版本和 3 个微调版本。

Title: Terminal-Bench 2.1 score, in percent
Sabi-Noema: 76.0
Qwen3.8-27B: 73.0
GPT-6 Luna, high: 68.5
ThinkingCap: 67.8
Swift 1.5: 62.9
Muse Glimmer 30B: 48.3

• License: Apache 2.0。
• Cost to run: 未提及，除了硬件。
• Data it reaches: 文件来自 Hugging Face，之后模型在你自己的电脑上运行。
• Not for: 小型机器，因为文件很大。

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 框架：transformers
• 参数量：27.4B
• Weights: about 54.7 GB in BF16; about 13.7 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,810
• 点赞：55
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.8-27B
• Quantized versions: 10
• Fine-tunes: 3
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, agentic, reinforcement-learning, tool-use, hybrid-attention, qwen3.8, conversational, text-generation

链接

• 模型：https://huggingface.co/sabicap/sabi-noema
• 文件：https://huggingface.co/sabicap/sabi-noema/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download sabicap/sabi-noema

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。