UkisAI 推出Swift 1.5：基于Qwen3.8-27B，编程/智能体任务更强，思考Token最高减少58.5%

UkisAI 推出 Swift 1.5Qwen3.8-27B，是在原版Qwen3.8-27B基础上做推理效率优化的衍生模型，作为下载量超35万的Swift1.0的升级版本。核心亮点：大幅削减冗余思考token，编码、智能体任务性能显著提升，部分场景最高实现1.95倍推理加速。

• 官方页面：https://ukisai.com/products/swift
• 模型：https://huggingface.co/collections/ukisai/swift-15-27b

优化思路

团队定位很多长推理模型存在病态过度思考问题，训练策略是识别这类无效token并做惩罚，同时依靠RL+OPD后训练方式挽回精度。不是粗暴缩短推理长度，而是压缩无效思考内容，在保留推理能力的前提下精简输出。

本次Swift1.5在1.0的基础上扩大后训练规模，重点面向长上下文视野、AI智能体、代码任务优化，在LiveCodeBench、Terminal Bench 2.1有明显收益。

基准测试对比（BF16）

• 通用推理：GPQA-Diamond，基础Qwen3.8得分88.28%，Swift1.5达88.59%，中位思考token下降58.5%
• 编码：LiveCodeBench v6，基线76.76%，Swift1.5提升至81.71%，编码能力提升明显
• 智能体：Terminal-Bench 2.1，基线69.21%，Swift1.5为72.13%
  

  备注：Terminal-Bench表面token节省幅度看起来偏低，原因是基础模型容易陷入无效思考循环直接任务失败；只统计两者全部成功完成的任务，Swift1.5的token降幅可达38.7%。

跨reasoning_effort不同档位测试，从xhigh、medium到low模式，思考token缩减效果稳定。low档位下Swift1.5分数超过原生Qwen3.8，思考token减少约28.7%。

丰富量化版本，适配本地部署

官方一次性放出BF16原版 + 全套量化权重，覆盖主流本地推理生态：

• GGUF（含GSQ-RCO 2~3bit紧凑量化）：适配llama.cpp
• AWQ / AutoRound / AWQ+GPTQ INT4：vLLM部署
• NVFP4：适配NVIDIA Blackwell架构
• AMD Quark FP8：AMD显卡生态
• MLX 3/4/5bit：Apple硅芯片本地运行

量化版本同样保留精简思考token的特性，部分量化模型在GPQA、AIME基准上甚至超越基础Qwen3.8精度。

要点小结

1. 模型定位：Swift1.5 Qwen3.8-27B，Qwen3.8-27B衍生模型，Swift1.0迭代升级版；
2. 核心优化：惩罚病态冗余思考token，RL+OPD后训练保精度，编码与智能体任务为优化重心；
3. 性能表现：LiveCodeBench提升明显，GPQA基准精度小幅上涨，中位思考token最高减少58.5%；
4. 部署友好：GGUF、AWQ、MLX、AMD Quark、NVFP4等多量化格式齐全，适配llama.cpp、vLLM、Apple MLX；
5. 特性：在高/中/低三档推理努力设置下，token压缩收益都能稳定生效。