/ 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-path-normalizer-smollm2-360m

Генерация текстаТекст → текст3 профессии

Дообученная SmolLM2-360M нормализует упоминания путей файлов в канонические пути репозитория или отказывается от ответа в проверяемой оболочке агента-разработчика.

30скачиваний 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

Это компактная плотная языковая модель на архитектуре Llama, созданная дообучением всех параметров HuggingFaceTB/SmolLM2-360M-Instruct. Модель разработана для узкой подзадачи агента-разработчика: преобразовывать нечеткое упоминание пути к файлу в канонический путь репозитория либо воздерживаться от ответа.

Модель рассчитана на работу внутри проверяемой программной оболочки, которая формирует специализированный запрос, разбирает строгий JSON, при необходимости повторяет запрос с уточнением схемы и применяет детерминированные проверки и резервные правила. Она не предназначена для общего программирования или свободного диалога. В карточке сообщается о тестировании на отложенных репозиториях HTTPX и Jinja2: успешность после одной попытки с повтором по схеме составила 70%, корректность JSON с первой попытки — 100%. Объем модели — 361,8 млн параметров, контекст — до 8192 токенов; модель принимает и генерирует текст.

Модель обучена с полным обновлением параметров на 2000 примерах, размеченных детерминированными оракулами; обучение проводилось три эпохи. Доступна под лицензией Apache-2.0. Модель узкоспециализирована на одной фиксированной JSON-схеме, поэтому её широкие способности следования инструкциям ограничены.

Сценарии применения

  • нормализация нечетких упоминаний путей файлов в репозитории
  • разрешение сокращенных путей к каноническим путям проекта
  • воздержание от выбора пути при неоднозначном запросе
  • извлечение пути репозитория в строгом JSON для подзадачи агента-разработчика

Ограничения

Модель специализирована на одной фиксированной JSON-схеме и не предназначена для общего диалога или программирования. На отложенных наборах HTTPX и Jinja2 успешность составила 70%, поэтому для применения предусмотрены детерминированные проверки и резервные правила.

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

Repository Path Normalizer (SmolLM2 360M)

This is a full-parameter supervised fine-tune of HuggingFaceTB/SmolLM2-360M-Instruct for one narrow, schema-bound developer-agent subroutine:

Resolve a noisy path mention to a canonical repo path or abstain.

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 retry70.0%
First-pass success70.0%
First-pass schema validity100.0%
Base instruct success after retry21.6% for the base instruct model
Rules-only success79.0%

Experiment verdict for this subroutine: works at 494M.

Training

  • Training examples: 2000
  • Epochs: 3.0
  • Learning rate: 2e-05
  • Effective batch configuration: 32 per device x 1 gradient accumulation
  • Maximum sequence length: 2048
  • Seed: 0
  • Final training loss: 0.452999
  • 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
9e393f9

0 моделей