/ Модель

Характеристики

Контекст
8 192 токена
Параметры
362 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-360M-Instruct
Библиотека
transformers
Опубликована
13 июн 2026

slm-agent-evidence-judge-smollm2-360m

Генерация текстаТекст → текст

Экспериментальная дообученная SmolLM2 решает, достаточно ли собранных свидетельств для ответа агента-разработчика.

25скачиваний 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 — небольшая плотная языковая модель на архитектуре Llama, разработанная как экспериментальная ячейка для подпрограммы агента-разработчика. Это полнопараметрическая модель с дообучением с учителем на основе HuggingFaceTB/SmolLM2-360M-Instruct, содержащая 361,8 млн параметров и работающая с текстом. Она предназначена для узкой задачи: по собранным фрагментам доказательств решить, достаточно ли данных для ответа или нужно продолжить поиск, выдавая результат по фиксированной JSON-схеме. Модель рассчитана на английский язык; максимальный контекст по метаданным — 8192 токена.

Предполагаемый сценарий — запуск внутри проверяющей оболочки, которая формирует специализированный запрос, разбирает JSON, при необходимости выполняет одну повторную попытку с подсказкой об ошибке схемы и применяет детерминированные проверки или правила. На тесте до 250 примеров из не участвовавших в обучении репозиториев HTTPX и Jinja2 модель достигла 50% успешных ответов после повторной попытки и 99,2% валидности схемы с первого прохода. Авторы эксперимента заключили, что для этой подзадачи достаточно правил. Модель не предназначена для общего программирования или диалогового помощника; обучение на узкой схеме может ограничивать общие способности следовать инструкциям. Лицензия — Apache-2.0.

Сценарии применения

  • решение о готовности ответа по фрагментам кода и другим свидетельствам
  • выбор между ответом и продолжением сбора доказательств в агенте-разработчике
  • выдача решения в фиксированной JSON-схеме внутри проверяющей оболочки

Ограничения

Специализирована на одной фиксированной JSON-схеме и не предназначена для общего программирования или широкого следования инструкциям. В описанной оценке успешность составила 50%; авторы эксперимента заключили, что эту подзадачу достаточно решать правилами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Code Evidence Judge (SmolLM2 360M)

This is a full-parameter supervised fine-tune of HuggingFaceTB/SmolLM2-360M-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 retry50.0%
First-pass success50.0%
First-pass schema validity99.2%
Base instruct success after retry3.2% 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: 1.127464
  • 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
10bdea9

0 моделей