/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
6,2 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
23 сен 2026

Ссылки

Hugging Face

asynchow-minutes-code

PTTREP
Генерация текстаТекст → текст3 профессии

Диалоговая модель Qwen2.5 с 1,5 млрд параметров, дообученная на наборе данных, связанном с Python-кодом, для генерации текста и кода.

379скачиваний за 30 дней0лайковвеса обновлены24 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.

Открыть конструктор бенчмарка

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

PTTREP/asynchow-minutes-code — компактная языковая модель Qwen2.5, дообученная разработчиком на наборе данных asynchow_python_code_minutes. Это плотная авторегрессионная модель с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; базовая версия поддерживает контекст до 32 768 токенов. Название обучающего набора указывает на специализацию на Python-коде, однако README не описывает конкретные сценарии применения или результаты на задачах программирования.

Модель подходит для экспериментов с генерацией текста и кода, а также для диалоговых сценариев. В README приведено значение loss 0,1879 на оценочном наборе, но не указаны методика оценки и сравнительные результаты, поэтому оно само по себе не подтверждает качество в практических задачах. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты.

Сценарии применения

  • генерация фрагментов кода на Python
  • помощь с Python в диалоговом интерфейсе
  • эксперименты с дообучением компактной языковой модели

Ограничения

В README не приведены подробное описание сценариев, оценочная методика или результаты, позволяющие судить о качестве генерации кода. Лицензия указана как other, а конкретные условия использования не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443моделиII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sft_code

This model is a fine-tuned version of Qwen/Qwen2.5-1.5B-Instruct on the asynchow_python_code_minutes dataset. It achieves the following results on the evaluation set:

  • Loss: 0.1879

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • distributed_type: multi-GPU
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 8
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.05
  • num_epochs: 2.0

Training results

Framework versions

  • Transformers 4.57.6
  • Pytorch 2.11.0+cu130
  • Datasets 4.0.0
  • Tokenizers 0.22.2

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
be3d69c

0 моделей

    Создать бенчмарк