/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-4B-Thinking-2507
Опубликована
26 окт 2025

Qwen3-4B-AgentCoder

Генерация текстаТекст → текст7 профессий

Дообученная Qwen3-4B модель для генерации кода, рассуждений и вызова инструментов.

444скачиваний за 30 дней0лайковвеса обновлены26 янв 2026

Бенчмарки

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

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

Qwen3-4B-AgentCoder — языковая модель Брюно Пистоне на 4 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Thinking-2507. Она предназначена для генерации кода, многошаговых рассуждений и вызова инструментов в диалоговых сценариях. Модель — причинная языковая модель с режимом рассуждения и контекстом около 264 тысяч токенов; при дообучении использовались наборы данных для работы с инструментами, генерации кода и рассуждений, а затем применялся DPO для предпочтения более связных и качественных ответов.

Модель подходит для задач программирования на Python, JavaScript и других языках, математических и логических задач, ответов на вопросы и сценариев с инструментами. Карточка сообщает о результатах на HumanEval, HumanEval+ и GSM8K, но качество вызова инструментов зависит от сложности сценария, а код может содержать синтаксические ошибки. Модель не рекомендуется для конфиденциальных данных, критически важных решений и задач, требующих экспертной специализации или полной объяснимости. Лицензия — Apache 2.0.

Сценарии применения

  • генерация и исправление кода на Python и JavaScript
  • вызов инструментов в многошаговом диалоге
  • решение школьных математических задач
  • ответы на логические вопросы
  • ответы на общие вопросы с пошаговым рассуждением

Ограничения

Качество вызова инструментов зависит от сложности задачи, а сгенерированный код может содержать синтаксические ошибки. Не рекомендуется для конфиденциальных данных и критически важных применений.

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

🧠 Qwen3-4B-AgentCoder

A Fine-Tuned Model for Enhanced Tool Calling, Code Generation, and Reasoning


Model Description

Qwen3-4B-AgentCoder is a fine-tuned version of the Qwen3-4B-Thinking-2507 model, optimized for:

  • 🧮 Complex reasoning tasks
  • 🧰 Tool calling
  • 💻 Code generation

The model was developed through sequential fine-tuning, followed by a Direct Preference Optimization (DPO) post-training stage to improve alignment, coherence, and reasoning accuracy.

Highlights

  • Fine-tuned on three specialized datasets
  • Retains thinking-mode behavior with long-context reasoning (~264K tokens)
  • Post-trained with DPO using chosen/rejected pairs for better alignment
  • Excellent balance between tool use, code generation, and reasoning

🚀 Direct Use

Qwen3-4B-AgentCoder can be used directly for:

  • ✅ Tool calling in complex reasoning tasks
  • ✅ Code generation for Python, JS, and other languages
  • ✅ Multi-domain reasoning (math, logic, Q&A)

⚠️ Out-of-Scope Use

  • ❌ Highly sensitive or confidential data
  • ❌ Domains requiring expert-level specialization
  • ❌ Tasks where full explainability is mandatory

💻 Getting Started

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = "br1-pist/Qwen3-4B-AgentCoder"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto"
)

prompt = "Give me a short introduction to large language models."
messages = [{"role": "user", "content": prompt}]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(**model_inputs, max_new_tokens=1024)
output = tokenizer.decode(generated_ids[0], skip_special_tokens=True)

print(output)

🧠 Training Details

Training Procedure

Phase 1 — Supervised Fine-Tuning

  • Learning rate: 1e-5
  • Batch size: 4
  • Gradient accumulation: 4
  • Epochs: 3
  • Warmup steps: 100
  • Weight decay: 0.01
  • Sequence length: ~2.4K tokens
Training Data
  • interstellarninja/hermes_reasoning_tool_use (~51K) — multi-turn tool use

Phase 2 — Sequential Fine-Tuning (Supervised)

  • Learning rate: 3e-5
  • Batch size: 1
  • Gradient accumulation: 8
  • Epochs: 2
  • Warmup steps: 100
  • Weight decay: 0.05
  • Sequence length: ~13K tokens
Training Data
  • ise-uiuc/Magicoder-OSS-Instruct-75K (~38K) — code generation
  • open-thoughts/OpenThoughts-114k (~37K) — general reasoning
  • interstellarninja/hermes_reasoning_tool_use (~30K) — tool use
  • custom/dpo-toolcode-alignment (~15K) — DPO preference pairs

Phase 3 — Post-Training - Direct Preference Optimization (DPO)

After sequential fine-tuning, the model underwent a DPO phase to enhance response alignment, reasoning robustness, and factual consistency.

  • Learning rate: 1e-6
  • Batch size: 2
  • Gradient accumulation: 8
  • Epochs: 5
  • Beta: 0.2
  • Loss type: sigmoid
  • Warmup steps: 2
  • Sequence length: ~1.5K tokens
DPO Data
  • ~1.5K chosen/rejected response pairs
  • Rejected samples synthetically generated to represent poor or incoherent answers
  • Chosen samples verified or automatically ranked for quality and correctness

Objective

  • Encourage the model to prefer chosen completions
  • Improve clarity, correctness, and helpfulness
  • Reduce hallucinations and verbosity

📊 Evaluation

The model was evaluated on multiple benchmarks to assess its capabilities across different domains:

BenchmarkScoreDetails
HumanEval72.0%Base tests
HumanEval+68.5%Base + extra tests
GSM8K82.0%1082/1319 correct
MMLU77.7%1190/1531 correct (validation split)
Multi-turn Tool Calling70.0%70/100 correct

Evaluation Datasets

  • HumanEval/HumanEval+: openai/openai_humaneval - 164 hand-written programming problems
  • GSM8K: openai/gsm8k (test split) - 1,319 grade school math word problems
  • MMLU: cais/mmlu (validation split) - 1,531 multiple-choice questions across 57 subjects
  • Tool Calling: Custom dataset - 100 tool calling scenarios

Evaluation Factors

  • Tool calling accuracy
  • Code generation quality
  • General reasoning performance
  • Alignment and factual consistency (post-DPO)

Observations

  • DPO improved reasoning precision and response coherence
  • Code generation accuracy increased in structured programming tasks
  • Reduced non-determinism in multi-step tool use

🖥️ Technical Specifications

Model Architecture

  • Model type: Causal language model
  • Parameters: 4.0B
  • Context length: ~264K tokens
  • Thinking mode: Enabled

Compute Infrastructure

Hardware

  • GPU: NVIDIA H100 (80 GB VRAM)
  • System RAM: 2 TiB
  • Memory per vCPU: 10.67 GiB

Software

  • Python: 3.12
  • Transformers: 4.55.0
  • Libraries: bitsandbytes, safetensors, torch, trl, scikit-learn, tokenizers, psutil, py7zr

🧾 Citation

BibTeX

@article{qwen3-4b-thinking-2507-toolcode,
  title={Qwen3-4B-AgentCoder: A Fine-Tuned Model for Enhanced Tool Calling, Code Generation, and Reasoning},
  author={Bruno Pistone},
  year={2025},
  journal={Hugging Face Model Hub}
}

APA

Bruno Pistone. (2025). Qwen3-4B-AgentCoder: A Fine-Tuned Model for Enhanced Tool Calling, Code Generation, and Reasoning. Hugging Face Model Hub. https://huggingface.co/br1-pist/Qwen3-4B-AgentCoder


🧭 Recommendations

  • Tool use accuracy depends on task complexity
  • Code generation may occasionally produce minor syntax issues
  • Reasoning strongest in structured, logical, and mathematical contexts
  • Avoid using this model for confidential or safety-critical applications

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
80c2a22

0 моделей