Tessera-27B-B-CJK-RL

Tessera-27B-B-CJK-RL

用一个会以压缩的中英文速记思考的 27B 模型运行编码智能体循环，每轮花更少的思考词元。适合自己托管大模型的开发者。

由 ZelligeAI 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：Tessera-27B-B-CJK-RL 从 Qwen3.8-27B 出发，经过调优后充当编码智能体。它的内部推理是英文、中文词和符号混合的简练速记，所以每个智能体回合花的思考词元比基础模型少。回答和工具调用仍是普通英文和代码。它在早先的 Tessera-27B-B-CJK 之上，又用数学和代码任务做了八轮强化学习训练。

适合谁：适合在自己托管的模型上运行编码智能体的开发者，也适合研究简短压缩推理的研究人员。

行业 | 谁在用 | 怎么用 | 例子
软件 | 智能体构建者 | 用每轮思考很短的模型驱动编码智能体循环 | 一个修改文件、运行测试并汇报结果的循环
AI 研究 | 机器学习研究者 | 和基础模型比较思考长度与准确率 | 在留出的编码任务上检查每轮的思考词元
数学与代码工具 | 工具开发者 | 用新增的数学和代码训练去处理更难的问题 | 竞赛风格的数学题

如果你没有能放下 55.6 GB bf16 权重的硬件，或者想要自带安全调优的模型，可以跳过它，因为这次微调没有加入安全调优。

用在哪里：它面向你自己托管的智能体循环，模型卡通过 vLLM 运行了它。

• 装有 55.6 GB bf16 权重的机器上的 vLLM
• transformers 库，模型卡用它加载权重
• 同一作者的其他版本：PEFT 适配器、GGUF 文件，以及 NVFP4 和 FP8 检查点

使用场景 | 谁用 | 得到什么
编码智能体循环 | 智能体开发者 | 每轮思考很短，工具调用是普通文本
竞赛数学 | 研究人员 | 比早先的 Tessera 模型更多的正确答案
版本比较 | 机器学习工程师 | 合并模型，加上适配器和量化仓库可以试用

如何设置：你需要 Python，以及能放下 278 亿参数模型的存储和内存，bf16 权重约 55.6 GB。

• 装有 pip 的 Python
• bf16 权重约 55.6 GB 磁盘空间，4 位量化的估计约为 13.9 GB
• vLLM，模型卡用的版本是 0.31

1. 安装 Hugging Face 下载工具。
2. 把合并后的权重下载到你的电脑上。
3. 用 vLLM 加载，写法见下一节。

pip install -U huggingface_hub
hf download ZelligeAI/Tessera-27B-B-CJK-RL

如何使用：把它放进智能体循环里。推理强度设为 xhigh，把 top-k 设为 20、top-p 设为 0.95、温度设为 1.0，并且不要把之前的思考留在消息历史里。聊天模板的推理强度可取 low、medium 或 xhigh。模型卡就是用 vLLM 这样加载权重的。

from vllm import LLM, SamplingParams

llm = LLM(model="ZelligeAI/Tessera-27B-B-CJK-RL", dtype="bfloat16", max_model_len=65536,
          limit_mm_per_prompt={"image": 0, "video": 0})

工具 | 作用
vLLM | 运行合并后的 bf16 权重，模型卡就是这样运行的
transformers | 加载权重，模型卡就是这样做的
reasoning_effort | 取 low、medium 或 xhigh，模型卡建议智能体用 xhigh

示例：在一个智能体循环里，模型完成一处修改后检查自己的工作。模型卡展示了这样的一轮：一段 45 个词元、中英文混合速记的思考。它记下测试套件与基线一致、没有回归，然后对改动的文件运行 lint。同一状态下，基础模型用了 158 个词元。

新手与专家：编码智能体是让模型读代码、运行命令并在循环中修复问题的程序。模型在每一步之前会写下自己的思考，而这个模型用紧凑的速记来写，以节省词元。第一个小尝试，是下载权重，再用上面的 vLLM 几行代码加载。

对熟悉这个领域的人来说，这些权重是测试版：一个 rank-32 的 LoRA 适配器已被并入 bf16 基础模型。在数学和代码上的强化学习提高了相对早先模型的竞赛成绩，并在智能体工作中保留了大部分每轮的思考节省。模型卡说典型回合用了基础模型 0.67 倍的思考词元，略高于早先模型的 0.60。取舍在于准确率和简短程度，模型卡在 16 个留出的编码智能体任务上衡量了它。

智能体循环把任务状态发给模型
模型用压缩的 CJK 速记思考
模型用普通英文回答或调用工具
过去的思考从历史中丢弃
循环继续处理下一个状态

注意事项：下面的数字来自模型卡自己的运行，固定了随机种子，使用 xhigh 强度和 64K 词元的上下文。

• 测试版：模型卡称这是测试版，量化的 GGUF 和 NVFP4 仓库没有评估过。
• 测试路径：模型卡从本地副本运行合并后的权重，没有测试从 Hub 加载。
• 安全：训练没有在基础模型已有的基础上增加额外的安全工作。

Title: 竞赛数学 126 次尝试中答对的次数
Tessera-27B-B-CJK-RL: 108 次答对
Tessera-27B-B-CJK: 97 次答对

• License: Apache 2.0。
• Cost to run: 未提及，来源没有列出 API 密钥、账号或付费服务，不过权重需要能放下约 55.6 GB 的机器。
• Data it reaches: 只有你自己的智能体循环交给它的提示词和文件，以及它从 Hugging Face 下载的模型文件。
• Not for: 依赖额外的安全调优，因为没有加入；也不适合依赖 GGUF 和 NVFP4 副本，模型卡没有评估它们。

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：27.8B
• Weights: about 55.6 GB in BF16; about 13.9 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：85
• 点赞：3
• 许可证：apache-2.0
• 语言：en
• 基于：Qwen/Qwen3.8-27B
• Quantized versions: 2
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, agentic, coding-agent, efficient-reasoning, reinforcement-learning, tessera, conversational

链接

• 模型：https://huggingface.co/ZelligeAI/Tessera-27B-B-CJK-RL
• 文件：https://huggingface.co/ZelligeAI/Tessera-27B-B-CJK-RL/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 ZelligeAI/Tessera-27B-B-CJK-RL

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。