Zellige AI 發布了 Tessera-27B-B-CJK，這是一個基於 Qwen3.8-27B 的微調模型，採用 Apache-2.0 授權並開放權重。該模型專為代理迴圈（Agent loops）設計，透過教導模型使用混合英文、中文詞彙與符號的「壓縮 CJK 簡寫」進行內部推理，從而減少思考過程中的 Token 消耗。模型的思考過程與輸出保持分離，內部使用簡寫推理，但最終答案和工具呼叫仍保持標準的英文和程式碼格式，確保外部系統（harness）能正常處理輸出。
在 11 個保留的編碼代理任務中，於 xhigh 努力程度下與未經微調的 Qwen3.8-27B 進行比較，該模型每輪代理迴圈的思考 Token 數量為基礎模型的 0.50-0.64 倍（典型輪次為 0.496 倍，90% 信賴區間 0.385-0.624；按 Token 加權為 0.644 倍）。在 88 個匹配的輪次中，該模型保持了 100% 有效的工具呼叫且無重複迴圈，與基礎模型表現一致。此外，在 101K-131K Token 長度的提示詞測試中，6 次工具呼叫均有效；雖然 131K+ 的測試較少，但在少數測試中表現完美。
該模型專為代理迴圈優化，但在競賽數學和高難度演算法程式碼上的表現較差，且更容易出現迴圈，因此在這些場景下建議使用基礎模型。目前僅評估了 bf16 版本，GGUF 和 NVFP4 量化版本尚未經過測試。訓練過程涉及四個簡短的 LoRA 步驟，基於基礎模型自身的輸出進行重寫、反迴圈修正、代理 SFT 以及拒絕採樣。
事件背景
Zellige AI 將 Tessera 描述為其模型和微調系列的產品線，旨在探索節省 Token、提高運行效率及其他研究領域的新方法。該發布被稱為其首個完整的「Tessera」產品線模型發布。
