Сравнение агентов на Qwen3.5-9B: простой IPython-хarness и нормализация вывода инструментов

Исследование сравнивает различные среды выполнения AI-агентов (QwenCode, OpenHands, bare IPython) на модели Qwen3.5-9B с использованием бенчмарка TB-Lite. Выявлено, что значительная часть нестабильности результатов малых моделей вызвана шумом в среде, а не самой моделью, и нормализация вывода инструментов существенно снижает разброс результатов. Простой IPython-хarness показал конкурентоспособные результаты по эффективности, уступая сложным системам лишь в стабильности.