/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
13 июн 2026

slm-agent-evidence-judge-qwen2-5-1-5b

Генерация текстаТекст → текст

Компактная дообученная Qwen2.5 оценивает, достаточно ли собранных фрагментов доказательств для ответа в узком сценарии агента разработчика.

24скачиваний за 30 дней0лайковвеса обновлены13 июн 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

ishaanranjan/slm-agent-evidence-judge-qwen2-5-1-5b — компактная модель Qwen2.5, дообученная разработчиком методом полного supervised fine-tuning на основе Qwen/Qwen2.5-1.5B-Instruct. Она предназначена для узкой подзадачи в агенте разработчика: по собранным фрагментам доказательств решить, достаточно ли данных для ответа или нужно продолжить поиск.

Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Работает с текстом и выдаёт текстовые ответы в заданной JSON-схеме; карточка ориентирует её на английский язык. В тестировании на репозиториях HTTPX и Jinja2 указана успешность 91,2% после одной попытки исправления схемы и 100% валидность JSON с первой попытки.

Модель рассчитана на использование внутри проверенной оболочки, которая формирует специальный запрос, проверяет схему и применяет детерминированные правила при необходимости. Это не универсальный помощник по программированию: обучение было узким, и широкие навыки следования инструкциям могут быть снижены. В выводах эксперимента указано, что для этой подзадачи достаточно правил. Лицензия — Apache-2.0.

Сценарии применения

  • решение, достаточно ли найденных фрагментов кода для ответа
  • выбор между формированием ответа и продолжением поиска доказательств
  • проверка результатов поиска по репозиторию внутри агентного конвейера

Ограничения

Специализирована на одной закрытой JSON-схеме; широкое следование инструкциям и универсальная помощь по программированию не гарантируются. В эксперименте для этой подзадачи предпочтены детерминированные правила.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Code Evidence Judge (Qwen2.5 1.5B)

This is a full-parameter supervised fine-tune of Qwen/Qwen2.5-1.5B-Instruct for one narrow, schema-bound developer-agent subroutine:

Decide answer-vs-continue from gathered evidence snippets.

The model is one cell from the Parameter Floors for Developer-Agent Subroutines experiment. Labels are generated by deterministic oracles over real Python repositories; no teacher model or human judge labels the data.

Intended Use

Use this checkpoint inside the repository's verified subroutine harness, which renders the task-specific prompt, parses strict JSON, permits one localized schema-feedback retry, applies deterministic guards, and falls back to rules where appropriate. This is not a general coding assistant or chat model.

Evaluation

Evaluation uses up to 250 examples from HTTPX and Jinja2, both held out entirely from training. Decoding is greedy.

MetricResult
Success after one schema retry91.2%
First-pass success91.2%
First-pass schema validity100.0%
Base instruct success after retry53.6% for the base instruct model
Rules-only success98.3%

Experiment verdict for this subroutine: rules suffice.

Training

  • Training examples: 1460
  • Epochs: 2.0
  • Learning rate: 2e-05
  • Effective batch configuration: 2 per device x 8 gradient accumulation
  • Maximum sequence length: 2048
  • Seed: 0
  • Final training loss: 0.541561
  • Reproduction hardware: one NVIDIA A100 80GB PCIe
  • Source revision: d0fd7bf

The dataset was generated from pinned Flask, Click, and Rich repositories for training/validation. HTTPX and Jinja2 were reserved for testing.

Limitations

The checkpoint is specialized to one closed JSON schema and should not be expected to retain broad instruction-following ability. The experiment mixes two base-model families across its size sweep. Some subroutines are better served by deterministic rules; consult the verdict above before deployment.

License

Apache-2.0, following the base model. Experiment code is MIT licensed.

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
350b81a

0 моделей