/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Coder-0.5B-Instruct
Библиотека
transformers
Опубликована
4 сен 2026

qwen2.5-coder-0.5b-swe-rl

Генерация текстаТекст → текст3 профессии

Компактная модель Qwen, дообученная для исправления отдельных функций Python по тестам.

137скачиваний за 30 дней0лайковвеса обновлены4 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BurnyCoder/qwen2.5-coder-0.5b-swe-rl — компактная плотная модель генерации кода на базе Qwen2.5-Coder-0.5B-Instruct, дообученная методом GRPO с LoRA для исправления отдельных функций Python по скрытым тестам. Она рассчитана на сценарии локального исправления кода, а не на автономную работу с целыми репозиториями. Модель содержит 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов; репозиторий содержит веса Safetensors и отдельно загружаемый адаптер LoRA. Лицензия — Apache-2.0.

На замороженной синтетической финальной выборке greedy pass@1 составил 0,50 против 0,4167 у базовой модели; на HumanEvalFix — 0,2317 против 0,2256. Интервалы неопределённости для парных различий включали ноль, поэтому результаты не подтверждают широкое улучшение качества и не должны переноситься на SWE-bench. Это экспериментальная специализированная настройка для ремонта кода, а не проверенный агент разработки.

Сценарии применения

  • исправление ошибок в отдельных функциях Python
  • генерация исправленного кода для прохождения скрытых тестов
  • предложение вариантов ремонта Python-функции
  • эксперименты с дообучением кодовых моделей методом GRPO

Ограничения

Оценки получены на небольших синтетических и фиксированных выборках с широкими интервалами неопределённости и не доказывают общего превосходства над базовой моделью. Модель ориентирована на отдельные функции Python, а не на задачи уровня целого репозитория; результаты не следует обобщать на SWE-bench.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-Coder-0.5B MiniBug-RL

This repository contains the merged output of the MiniBug-RL hidden-unit-test GRPO experiment. It targets single-function Python repair; it is not a repository-scale autonomous software-engineering agent.

Documentation correction

The model, adapter, and measured results were originally published at immutable revision 5b6e22a4c6c01bec95d10e93a0fc78666eb9c543. This later README-only correction fixes metric terminology and narrows claims to what the recorded evidence establishes. It did not rerun training or evaluation. The audited repository documentation is at GitHub commit 902ca72a46bbc55b3154a3e2f1cd5c8cff6ddde2.

Exact lineage

Frozen final-test result

MetricBaseSelected model
Greedy pass@10.41670.5000
Greedy hidden-test fraction0.60830.6042
Observed sampled success@40.83330.8333

Observed sampled success@4 is the fraction of tasks with at least one complete repair among exactly four generated samples; it is not an unbiased pass@k estimator.

Paired hidden-test-fraction difference: -0.0042 with paired percentile-bootstrap 95% interval [-0.2917, 0.2625]. The validation learning gate, pre-specified in the producing source commit, passed. These small synthetic-split measurements should not be generalized to SWE-bench.

Frozen external HumanEvalFix result

MetricBaseSelected model
Greedy pass@1 (164 Python repairs)0.22560.2317
Timeouts34

Protocol: bigcode/humanevalpack at immutable dataset revision 9a41762f73a8cb23bb5811b73d5aab164efcf378, prompt variant humanevalfixdocs-python, greedy n=1. Postprocessing reference: pinned BigCode Python harness. Paired pass@1 difference: 0.0061 with paired percentile-bootstrap 95% interval [-0.0183, 0.0366]. HumanEvalPack examples, candidate outcomes, and scores did not enter the implemented training, reward-computation, checkpoint-selection, or tuning data flows. Its pinned harness source defined the frozen external protocol; public benchmark contamination may still affect both policies. Executable candidates ran under MiniBug-RL's host-enforced 3-second wall-clock deadline around resource-limited isolated Docker, rather than the pinned BigCode Python harness's 10-second limit; treat this as a MiniBug-sandbox measurement, not a directly comparable leaderboard score. Sandbox image: sha256:a869cd1dffb8c87afad1bb1302106cb9f5cb580641c7391bb73f4ab077f140d9. Docker controls are defense in depth, not proof that this runner is safe for arbitrary hostile code. Internal parser/policy rejections and deterministic reward cache hits do not start containers. Paired percentile-bootstrap intervals describe these fixed task samples; they do not by themselves establish broad model quality.

Included evidence

  • results.json: candidate-level outcomes and aggregates. Its immutable historical key sampled_pass_at_4 denotes the observed four-draw statistic relabeled above.
  • training_config.json: resolved non-secret configuration.
  • Producing source commit: implementation used for training and evaluation.

Load the resulting model

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "BurnyCoder/qwen2.5-coder-0.5b-swe-rl"
result_revision = "5b6e22a4c6c01bec95d10e93a0fc78666eb9c543"
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=result_revision)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    revision=result_revision,
    dtype="auto",
)

The separately loadable LoRA adapter and tokenizer are in adapter/. Candidate-level measurements and the resolved configuration are included.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
8dc6fa7

0 моделей