/ Модель

Характеристики

Контекст
8 192 токена
Параметры
134 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-135M-Instruct
Библиотека
transformers
Опубликована
13 июн 2026

slm-agent-evidence-judge-smollm2-135m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель, дообученная решать, достаточно ли собранных доказательств для ответа агента-разработчика.

27скачиваний 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

Code Evidence Judge — это компактная плотная языковая модель семейства Llama с 134,5 млн параметров, созданная дообучением с полным обновлением параметров HuggingFaceTB/SmolLM2-135M-Instruct. Она предназначена для узкой подзадачи агента-разработчика: по собранным фрагментам доказательств решить, достаточно ли данных для ответа или нужно продолжить поиск. Модель генерирует текст по схеме text-generation и рассчитана на англоязычные запросы; максимальный контекст по метаданным составляет 8192 токена.

Использовать её предполагается внутри проверенного конвейера, который формирует специализированный запрос, разбирает строгий JSON, при необходимости делает одну повторную попытку с замечаниями о схеме, применяет детерминированные проверки и использует правила как резервный вариант. На тестировании на отложенных репозиториях HTTPX и Jinja2 доля успешных результатов после одной попытки с исправлением схемы составила 53,6%, а корректность схемы с первой попытки — 99,6%; авторы эксперимента заключают, что для этой подзадачи достаточно правил. Это не универсальный помощник по программированию или чат-модель. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • Решение, можно ли отвечать по найденным фрагментам кода
  • Определение, нужно ли агенту продолжить сбор доказательств
  • Встраивание узкого JSON-судьи в конвейер coding agent

Ограничения

Модель специализирована на одной закрытой JSON-схеме и не рассчитана на широкое следование инструкциям. В описанной оценке успешность составила 53,6%, а авторы эксперимента считают, что эту подзадачу лучше решать правилами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Code Evidence Judge (SmolLM2 135M)

This is a full-parameter supervised fine-tune of HuggingFaceTB/SmolLM2-135M-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 retry53.6%
First-pass success53.6%
First-pass schema validity99.6%
Base instruct success after retry0.0% for the base instruct model
Rules-only success98.3%

Experiment verdict for this subroutine: rules suffice.

Training

  • Training examples: 1460
  • Epochs: 3.0
  • Learning rate: 2e-05
  • Effective batch configuration: 8 per device x 4 gradient accumulation
  • Maximum sequence length: 2048
  • Seed: 0
  • Final training loss: 1.374716
  • 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
LlamaForCausalLM
Ревизия весов
d4bd3ad

0 моделей