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

Ссылки

slm-agent-read-span-selector-qwen2-5-1-5b

Генерация текстаТекст → текст3 профессии

Дообученная Qwen2.5-1.5B определяет строки объявления символа в фрагменте кода и выдаёт результат в фиксированном JSON-формате для проверяющей оболочки агента-разработчика.

17скачиваний 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 языковая модель для узкой подзадачи в агенте-разработчике, созданная дообучением Qwen/Qwen2.5-1.5B-Instruct. Она определяет точный диапазон строк, где объявлен символ, в переданном фрагменте кода, и возвращает результат по фиксированной JSON-схеме. Модель рассчитана на запуск внутри проверяющей оболочки, которая формирует запрос, проверяет JSON, при необходимости выполняет одну попытку исправления и применяет детерминированные проверки и резервные правила.

Модель использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров; контекст — до 32 768 токенов. Обучена полным дообучением с учителем на 1 772 примерах, размеченных детерминированными правилами по репозиториям Python. На тестах по HTTPX и Jinja2 точность успешного результата после одной проверки схемы составила 83,2%, а валидность JSON с первой попытки — 99,6%. Лицензия — Apache-2.0.

Модель специализирована на одной схеме и не предназначена для общего программирования или диалога; качество на других репозиториях и задачах не подтверждено. В эксперименте задача признана нерешённой на данном размере модели, поэтому для некоторых случаев предпочтительны детерминированные правила.

Сценарии применения

поиск строк объявления функции в фрагменте Python-кода
определение строк объявления класса в окне исходного кода
извлечение диапазона строк символа для подпрограммы агента-разработчика

Ограничения

Специализирована на одной закрытой JSON-схеме; широкие навыки следования инструкциям не гарантируются. В тестах на HTTPX и Jinja2 успешный результат составил 83,2%, и эксперимент признал задачу нерешённой на этом размере модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Code Read-Span Selector (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:

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.

Metric	Result
Success after one schema retry	83.2%
First-pass success	83.2%
First-pass schema validity	99.6%
Base instruct success after retry	10.4% for the base instruct model
Rules-only success	81.7%

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

Training

Training examples: 1772
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: 0.137933
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: b7552ad