/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
13 июн 2026

slm-agent-read-span-selector-qwen2-5-0-5b

Генерация текстаТекст → текст3 профессии

Компактная дообученная Qwen2.5 модель для определения диапазона строк с объявлением символа в фрагменте кода Python.

23скачиваний 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 Read-Span Selector — компактная модель Ishaan Ranjan для узкой подзадачи агента-разработчика: определения точного диапазона строк, в котором объявлен символ, в переданном фрагменте кода. Это полнопараметрическая модель Qwen2.5-0.5B-Instruct, дообученная с учителем на 1 772 примерах, созданных детерминированными правилами по репозиториям Python. Она построена на архитектуре Qwen2, содержит 494 млн параметров и имеет контекстное окно 32 768 токенов; в обучении использовалась максимальная длина последовательности 2 048 токенов. Модель рассчитана на работу в проверяющей оболочке, которая формирует запрос, разбирает JSON, применяет проверки и при необходимости использует правила.

Модель предназначена для поиска строк определения символов в коде, а не для общего программирования или диалога. В оценке на отложенных репозиториях HTTPX и Jinja2 точность успешного выполнения после одной попытки с повтором при ошибке схемы составила 21,6%, поэтому эксперимент признан нерешённым; при самостоятельном использовании качество может быть недостаточным. Карточка указывает лицензию Apache-2.0.

Сценарии применения

  • поиск строк определения функции в фрагменте Python-кода
  • определение диапазона строк объявления класса
  • выбор диапазона определения символа для подзадачи агента-разработчика
  • извлечение расположения определения символа в структурированном JSON

Ограничения

Узкоспециализирована на закрытой JSON-схеме и не предназначена для общего диалога или программирования. В оценке на отложенных репозиториях успешное выполнение составило 21,6%, а эксперимент признан нерешённым.

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 Read-Span Selector (Qwen2.5 0.5B)

This is a full-parameter supervised fine-tune of Qwen/Qwen2.5-0.5B-Instruct for one narrow, schema-bound developer-agent subroutine:

Report the exact line span of a symbol's definition in a window.

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 retry21.6%
First-pass success21.6%
First-pass schema validity98.8%
Base instruct success after retry0.0% for the base instruct model
Rules-only success81.7%

Experiment verdict for this subroutine: unsolved (best 0.83 @ qwen2.5-1.5b).

Training

  • Training examples: 1772
  • 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: 0.172918
  • 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
a0152e4

0 моделей