BTL-3：27B 开源权重编码智能体模型发布

Bad Theory Labs 在 Hugging Face 发布开源权重模型 BTL-3，定位为面向智能体编码、结构化工具调用与长链路多轮执行的 27B 模型。该模型以 Qwen3.6-27B 为基座，通过 RL-0013 阶段的强化学习与 LoRA（rank 32, alpha 64）适配器完成训练，并以 Apache-2.0 协议开放权重，可与 Transformers 或 vLLM 搭配部署。

模型概览

BTL-3 是一份「后训练」而非从头训练的模型：基座权重来自 Qwen3.6-27B（固定版本 6a9e13bd6fc8f0983b9b99948120bc37f49c13e9），在此基础上叠加一个约 934 MB 的 PEFT（LoRA）适配器。官方推荐启用思考模式（thinking mode）以获得最佳的编码与推理表现。

为便于本地推理，团队同时发布 BTL-3 Compact，将完整文本模型打包为单个 8.39 GB 的原生文件，按权重规模折算相当于每参数约 2.5 比特。在一项 100 轮的私有工具契约测试中，Compact 版本保留了完整模型 83/90 的正确行为（即 92.2% 的条件性工具行为留存率）。

关键能力与基准

BTL-3 的核心强项在于结构化工具调用与编码任务，主要基准成绩如下（均为 RL-0013 冻结版本）：

• BFCL v4 AST：88.5%（1097/1240），覆盖完整官方测试集
• HumanEval：95.12%（156/164），思考模式 pass@1
• LiveCodeBench v6：88.1%（170/193），思考模式
• BigCodeBench-Hard 严格 pass@1：26.35%（39/148）
• BigCodeBench 功能级测试：59.25%（506/854）

BFCL v4 分类表现中，「Simple」类 93.2%，「Multiple」类 95.5%，「Parallel」类 87.0%，「Parallel-multiple」类 70.0%，「Irrelevance」类 91.2%——后者衡量模型在不应调用工具时主动避免调用的能力。模型架构上延续 Qwen3.6 的混合注意力设计，声明上下文窗口 262,144 tokens，实际推理与基准评估时最大序列长度分别为 65,536 与 32,768 tokens。

部署与使用

官方给出两种主流部署路径：

• Transformers + PEFT：加载基座后挂载 badtheorylabs/BTL-3 适配器即可推理，支持 enable_thinking=True 进入思考模式。
• vLLM 0.23.0：通过 --enable-lora 与 --lora-modules 启动服务，需指定 --lora-target-modules 覆盖 Qwen3 注意力和 MLP 投影层，并启用 --reasoning-parser qwen3。结构化工具调用依赖所安装 vLLM 版本自带的 Qwen XML 工具解析器。

适配器文件 adapter_model.safetensors 的 SHA-256 为 37a8f519039707eba5906591cdb14268768db43f80489a9c2f83b3e51e5e89db，便于校验完整性。官方同时强调，生成的代码与工具调用应当在沙箱中执行，对破坏性、特权或财务类操作需显式确认。

许可与适用场景

BTL-3 适配器以 Apache-2.0 发布，但需配合单独分发的 Qwen3.6-27B 基座模型使用。官方列出的目标用途包括编码与调试、仓库与终端代理、结构化函数调用与多工具工作流、私有或自托管代理部署，以及需要验证与恢复的长链路多轮任务。社区反馈与后续更新可通过 Bad Theory Labs 官网及其 Discord 频道获取。