/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
transformers
Опубликована
12 сен 2026

grug-27b-v2

Генерация текстаТекст → текст7 профессий

Дообученная на базе Qwen/Qwen3.8-27B диалоговая модель для генерации и исправления кода, вызова инструментов и агентных задач с поддержкой встроенной MTP-головы.

813скачиваний за 30 дней15лайковвеса обновлены15 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

Grug 27B v2 — диалоговая модель для программирования и работы с инструментами, разработанная ProCreations на базе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; основные веса дообучены на примерах кода, математики, исправления ошибок и вызовов инструментов. Репозиторий содержит веса safetensors и встроенную обученную MTP-голову для ускорения генерации при поддержке со стороны среды выполнения.

Модель предназначена для генерации и исправления кода, решения агентных задач с инструментами и диалогового взаимодействия. В README приведены результаты на небольших поднаборах HumanEval, MBPP, BFCL и SWE-bench Verified; авторы отдельно подчёркивают, что это не полные лидерборды и они не гарантируют преимущество на всех задачах. Доступны уровни reasoning_effort low, medium и xhigh, по умолчанию medium. Для запуска с MTP автор проверял vLLM 0.29.0; ускоряющая голова уже включена в чекпойнт, но её поддержку необходимо включить в рантайме.

В README указана оценка на ограниченном наборе 12 задач SWE-bench Verified: при стандартных для каждого уровня лимитах модель решила 9, 10 и 11 задач на low, medium и xhigh соответственно. На поднаборе MATH результат Grug v2 ниже базовой Qwen. Автор также сообщает о незавершённых циклах рассуждения, возможном снижении точности при более длительном рассуждении и зависимости качества вызовов инструментов от правильной настройки парсеров и шаблона. Заявленная длина контекста в README не приводится; 65 536 токенов упомянуты как условие отдельного сравнительного запуска, а в примере настройки vLLM задан предел 24 576 токенов. Лицензия — Apache-2.0.

Сценарии применения

  • генерация кода по текстовому запросу
  • поиск и исправление ошибок в репозиториях
  • решение задач программирования с проверкой тестами
  • вызов инструментов в агентных сценариях
  • диалог с настраиваемой глубиной рассуждения

Ограничения

Результаты README получены на ограниченных поднаборах задач и не предсказывают качество на полном наборе сценариев; на приведённом поднаборе MATH модель уступила базовой Qwen. Возможны циклы рассуждения и снижение точности при увеличении усилия; корректная работа с инструментами зависит от настройки шаблона и парсеров.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

grug 27b v2

grug think small. code get stronger. draft head live in same rock.

grug start fresh from Qwen 3.8 27B. train for compact cave-think, coding, and tool use. Grug-tuned native MTP head already inside this checkpoint. no separate draft model to drag back to cave. every text rock in GGUF downloads carry head too.

v2 score better than grug v1.1 on measured code and tool hunts. session-title bug pass tested checks now. but grug not claim every bug dead: more effort not always more correct, hard thought sometimes leave cave-talk, and some loops still live. grug show gain and bruise below.

grug hunt code and tools

same H200/vLLM hunt rules for every model: temperature 0.6, top-p 0.95, top-k 20, repetition penalty 1.05, seed 42. same task subsets. same output caps. code run against executable tests; tool calls face official AST checker. fixed subsets, not full leaderboard scores.

ModelMedium HumanEval (132)Medium MBPP (225)Medium BFCL subset (200)
Qwen 3.8 27B99.2%93.3%89.0%
Grug v1.191.7%80.4%81.0%
Grug v297.0%90.7%88.0%

grug also hunt real repo bugs: 12-issue SWE-bench Verified Django/SymPy subset. medium effort with original limits fix 10/12 for v2, 8/12 for v1.1. separate matched xhigh hunt keep reasoning in history, use 65,536-token context and 16,384 output tokens per tool turn: v2 fix 11/12, v1.1 7/12, Qwen 10/12.

this harness use shared pinned environment, not official per-instance Docker images. one bug swing score by 8.3 points. small hunt useful; not proof grug win everywhere.

session title should be title, not surprise tool call. v2 pass 90/90 session-title checks across low, medium, xhigh. zero tool-call leaks in those checks. real vLLM HTTP tests pass 24/24, including titles with tools present, streamed calls, thinking on and off. checks target reported title problem. grug did not test OpenCode desktop app itself.

keep reasoning in tool history and use original per-effort limits: v2 fix 9 / 10 / 11 of 12 at low/medium/xhigh. v1.1 fix 8 / 9 / 7. more effort help grug on this small agent hunt. not promise for every task.

base Qwen still hold more raw accuracy on some hunts. medium MATH, 150-case subset: v2 84.7%, Qwen 95.3%. compact thought cost something. grug not hide bruise.

all comparisons live in results.md: original and bigger output budgets, MTP accuracy, squeezed-rock smoke tests, repetition-penalty-1.0 reference runs. evaluation protocol and machine-readable results explain scoring corrections, completion rates, and limits. grug bring receipts.

grug turn think dial

pick low, medium, or xhigh with chat_template_kwargs.reasoning_effort. default medium. all three keep native effort instructions, all trained for terse Grug reasoning. inside voice grug; final answer and code can use ordinary language.

mean HumanEval think length at low/medium/xhigh:

  • grug v2: 192 / 266 / 656 tokens
  • Qwen: 483 / 617 / 1214

dial turn up, grug spend more thought on this code hunt. still fewer tokens than base brain.

but more thought not always more right. some coding and math scores fall at xhigh, even with double output limit. long traces sometimes drift into ordinary English. low-effort MATH audit still catch real unfinished loop. reported looping issue get mitigation, not complete cure.

saved template normalize old reasoning once. client still need correct reasoning and tool parsers. wrong plumbing make good brain stumble.

two heads, one rock

all 15 native draft-head tensors indexed in model-mtp.safetensors, right here in repo. during MTP tuning, only draft head learn; main brain stay frozen. held-out draft/verifier agreement climb 90.44% to 90.90%. distillation loss fall 0.3502 to 0.2965.

grug time 18 serial H200 prompts after warmup:

  • no MTP: 68.02 tokens/sec
  • one draft token: 112.77 tokens/sec
  • two draft tokens: 142.44 tokens/sec

actual draft-token acceptance: 86.87% with one, 77.20% with two. speed numbers belong to this workload, not every cave computer. MTP-off/on greedy token sequences match on 10/18 prompts; not all paths say exact same tokens. separate coding/tool accuracy checks live in results.

head already packed. runtime still need switch turned on. grug test these vLLM 0.29.0 options:

vllm serve ProCreations/grug-27b-v2 \
  --served-model-name grug-v2 --max-model-len 24576 \
  --max-num-seqs 8 --gpu-memory-utilization 0.85 \
  --reasoning-parser qwen3 --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --speculative-config '{"method":"mtp","num_speculative_tokens":2}'

generation defaults: temperature 0.6, top-p 0.95, top-k 20, repetition penalty 1.05. if client override model defaults, set these yourself. usage.md show requests, effort dial, history normalization, and llama.cpp commands.

how grug forge brain

main LoRA run use 3,466 training examples. validation split keep task groups apart. training mix carry verified code, math, repair material, inherited tool replay, and new title examples. best validation checkpoint merge into foundation brain.

vision encoder stay intact. grug not run new vision benchmark or prove quality across full configured context. eye still there; no new eye trophy claimed.

all model generation, training, merging, MTP tuning, quantization, runtime validation happen on HF Jobs. local GPU stay untouched. conservative whole-build estimate $120.92, including failed and canceled tries, below authorized $170 cap. estimate, not invoice. receipts: training.md, release provenance, HF Jobs cost ledger, SHA256SUMS.

Apache-2.0 license, same as foundation checkpoint. new benchmark test cases kept out of training mix. inherited replay and foundation pretraining may still hide overlap grug not recognize. training receipts and evaluation source included; raw inherited replay stay private.

grug made by ProCreations. base brain by Qwen team.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
9543af6

0 моделей