LightOn 开源 2B 代码定位模型 ColGrep-Agent

raphaelsrty 发布 ColGREP，一个面向编码 agent 的多向量混合搜索工具，100% 本地运行。同时开源 2B 参数的 ColGREP expert 模型作为 model-in-the-middle，小模型在本地索引中反复搜索和阅读，再把代码位置与内容交还云端大模型，代码不出本机。

LightOn 发布并开源 ColGrep，一个专为编码 agent 打造的多向量混合搜索工具，将 grep 特性与多向量检索结合，可 100% 本地运行。团队同时开源了一个 2B 参数的配套模型，并提供博客、模型权重、GGUF 版本、colgrep 工具及论文链接等完整资源。

LightOn 团队发布论文与开源工具 ColGrep-Agent，用不足 2B 参数的模型承担 agent 的代码文件定位子任务。方法上先用 Qwen3.5-27B 生成的教师轨迹做加权 SFT，再用 GRPO 强化学习优化定位质量。

LightOn 团队发布论文并开源 ColGrep-Agent，用不足 2B 参数的小模型承担 agent 的代码文件定位子任务，方法基于 late-interaction 多向量检索。团队改编 SWE-bench Lite 和 Multi-SWE-bench Flash 进行评测，其文件 F1 达 76.18，精度可追平甚至比肩 10 倍规模的 27B 开源大模型。

ColGrep-Agent 可完全本地运行，不需要 API key，安装命令为 brew install lightonai/tap/colgrep 和 colgrep --install-agent。

ColGrep-Agent-2B 从 MiniCPM5-2B 出发分两阶段训练：先用 Qwen3.5-27B 生成并过滤的代码搜索轨迹做 SFT，再用 GRPO 强化学习，奖励按 ½ file F1 + ½ line F1 逐轨迹计算，并对使用 grep、不搜索、不给结论等行为施加惩罚。该 2B 模型代码定位精度追平 10 倍大模型，本地运行免 API key。

ColGrep-Agent 以 2B 参数在代码定位任务上追平 10 倍规模的大模型，SWE-bench Lite 文件 F1 达 76.18、Multi-SWE-bench Flash 为 62.57，并在 SWE-bench Lite 上拿到最高 line F1。

ColGrep 默认 Balanced 模式在代码定位上正确率 83.3%，与 grep 基线持平，同时节省 21% API token。对比之下，纯 ColGrep 为 79.5%，ColGrep-Agent-2B 为 80.8% 且少用 34% API token。Balanced 模式的做法是把直接语义搜索与本地 agent 结合起来。

接入 ColGrep-Agent 后，Claude Code 处理每个问题的平均轮次从 5.5 降至 3.9，工具调用从 grep 基线的 7.1 次降到 4.0 次，token 消耗相应减少。该工具让本地 agent 直接返回相关代码位置，免去反复搜索与读文件的步骤。

LightOn 团队发布 2B 代码搜索 agent ColGrep，同时放出博客、模型权重、GGUF 版本、colgrep 工具和论文链接。同批内容显示该 agent 战绩比肩 27B 开源模型，接入 Claude Code 实测省 34.3% token、成本降四成，每题工具调用从 7.1 次降到 4 次。

LightOn 团队用 2B 小模型打造代码搜索 agent ColGrep，在改编的 SWE-bench Lite 与 Multi-SWE-bench Flash 上比肩更大的开源模型。

LightOn 团队发布并实测开源 2B 模型 ColGrep-Agent-2B，将其经 ColGrep 集成进 NextPlaid 在本地运行，由 Claude Code 把代码搜索环节委派给这个微型 agent。