Fix Qwen3 thinking mode + increase max_new_tokens: training/eval_adapter.py

training/eval_adapter.py

@@ -79,7 +79,7 @@ def main() -> None:
     p.add_argument("--adapter-repo", required=True)
     p.add_argument("--slice", choices=["canonical", "hard", "all"], default="all")
     p.add_argument("--max-tasks", type=int, default=None)
-    p.add_argument("--max-new-tokens", type=int, default=96)
+    p.add_argument("--max-new-tokens", type=int, default=384)
     p.add_argument("--max-prompt-tokens", type=int, default=2048)
     p.add_argument("--artifact-dir", default="/tmp/invoiceguard-adapter-eval")
     args = p.parse_args()