Характеристики

Лицензия: Apache 2.0
Базовая модель: Qwen2.5-Coder-0.5B-Instruct
Опубликована: 15 сен 2026

Ссылки

Hugging Face

qwen2.5-coder-0.5b-nl2bash-gguf

burhan2753y

Генерация текстаТекст → текст5 профессий

Компактная дообученная модель Qwen, которая преобразует текстовые инструкции в команды Bash для Linux и Ubuntu.

197скачиваний за 30 дней0лайковвеса 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

Это компактная инструктивная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором репозитория burhan2753y для преобразования запросов на естественном языке в команды Bash для Linux и Ubuntu. Модель ориентирована на выдачу команды без разговорных пояснений и поставляется в формате GGUF для запуска, в частности, через Ollama и llama.cpp.

Модель предназначена для генерации команд в задачах системного администрирования, DevOps и работы в терминале. В README приведены результаты на академическом наборе NL2Bash и на собственном наборе задач DevOps, облачных сервисов и системного администрирования; эти показатели относятся к тестам автора. Данных о размере контекста и поддерживаемых языках, кроме английского языка карточки, нет.

Модель принимает текстовые запросы и генерирует текст команд. Она может ошибаться при неоднозначных или незнакомых запросах, а корректная Bash-синтаксическая форма сама по себе не гарантирует безопасное выполнение команды. Доступна по лицензии Apache-2.0.

Сценарии применения

генерация Bash-команд по запросу на естественном языке
подготовка команд для задач системного администрирования
создание команд для сценариев DevOps
перевод описания терминальной операции в команду Linux

Ограничения

Качество генерации зависит от формулировки запроса; показатели в README получены на тестах автора и не гарантируют точность для произвольных задач. Синтаксически корректную команду следует проверить перед выполнением, поскольку она может иметь нежелательные последствия.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.7Разработка и данныеDevOps, облако и эксплуатация IT-системAI помогает развёртывать, наблюдать и оптимизировать цифровые системы и облачную инфраструктуру.20 задач7 196моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

II.8Инженерия данных и аналитика

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🚀 Qwen2.5-Coder-0.5B-Instruct - NL2Bash (GGUF Quantized)

A fine-tuned version of Qwen/Qwen2.5-Coder-0.5B-Instruct specialized for converting natural language instructions directly into executable Linux/Ubuntu Bash commands with zero conversational filler.

📊 Dual-Track Benchmark Results

🎓 Track 1: Academic NL2Bash Benchmark (EMNLP 2018 / Microsoft CodeXGLUE)

Metric	Base Model (`qwen2.5-coder:0.5b`)	Fine-Tuned Model (`bash-coder-assistant`)	Improvement
Exact Match (EM %)	`0.0%`	`44.0%`	+44.0%
Token F1 Score	`12.93`	`81.60`	+68.7 pts
BLEU-4 Score	`4.60`	`65.01`	+60.4 pts
Bash Syntax Validity	`88.0%`	`100.0%`	+12.0%
Zero-Chatter Clean Format	`4.0%`	`100.0%`	+96.0%
Mean Latency (CPU)	`19.03s`	`1.58s`	⚡ 91.7% Faster

🛠️ Track 2: Real-World DevOps, Cloud & SysAdmin Benchmark

Metric	Base Model (`qwen2.5-coder:0.5b`)	Fine-Tuned Model (`bash-coder-assistant`)	Improvement
Exact Match (EM %)	`0.0%`	`15.0%`	+15.0%
Token F1 Score	`6.76`	`62.42`	+55.7 pts
Bash Syntax Validity	`90.0%`	`100.0%`	+10.0%
Mean Latency (CPU)	`20.98s`	`1.78s`	⚡ 91.5% Faster

🦙 Quickstart with Ollama

Download the qwen2.5-coder-0.5b-bash-gguf.gguf file and Modelfile.
Create the model in Ollama:

ollama create bash-coder-assistant -f Modelfile

Run a query:

ollama run bash-coder-assistant "Find all processes running on port 8080 and terminate them immediately"
# Output: sudo kill -9 $(lsof -i :8080 | awk '{print $2}')

🛠️ Training Details

Architecture: Qwen2.5-Coder (0.5B parameters)
Framework: Unsloth + TRL SFTTrainer
Dataset: emirkaanozdemr/bash_command_data_6K
LoRA Rank: r=16, lora_alpha=16
Training Compute: Google Colab Tesla T4 GPU (< 2GB VRAM, ~8 min runtime)
Final Loss: 0.6726 (converged from initial 4.1045)

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов: e90ecc6