/ 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-search-query-gen-qwen2-5-0-5b

Генерация текстаТекст → текст4 профессии

Дообученная Qwen2.5-0.5B-Instruct для преобразования текстовых запросов разработчика в поисковые регулярные выражения по коду.

20скачиваний 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 языковая модель Qwen2.5 с архитектурой Qwen2ForCausalLM, разработанная дообучением Qwen/Qwen2.5-0.5B-Instruct командой автора репозитория. Модель предназначена для узкой подзадачи агентной разработки: преобразует обычный текстовый запрос в исполняемое поисковое регулярное выражение для поиска по коду и возвращает результат в заданной JSON-схеме.

Модель содержит 494 млн параметров, работает с текстом и имеет контекст до 32 768 токенов. В проверке на отложенных репозиториях HTTPX и Jinja2 корректность результата после одной попытки обратной связи по схеме составила 88,4%; валидность JSON с первой попытки — 100%. Рекомендуется использовать её внутри проверяющей обвязки с детерминированными ограничениями и резервными правилами. Это экспериментальная специализированная модель, а не универсальный помощник по программированию; README отмечает узкую схему и возможную потерю широких навыков следования инструкциям. Лицензия — Apache-2.0.

Сценарии применения

  • генерация регулярного выражения для поиска по коду из текстового запроса
  • подготовка поискового шаблона для агентного инструмента разработчика
  • формирование JSON-запроса поиска по репозиторию

Ограничения

Модель специализирована на одной закрытой JSON-схеме, поэтому не следует рассчитывать на широкие способности следования инструкциям. В отложенной оценке успешность составила 88,4%; для применения автор рекомендует проверяющую обвязку с детерминированными ограничениями и резервными правилами.

Для каких профессий подходит4

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 Search-Query Generator (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:

Write an executable search regex from a plain-words request.

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 retry88.4%
First-pass success88.4%
First-pass schema validity100.0%
Base instruct success after retry5.2% for the base instruct model
Rules-only success23.7%

Experiment verdict for this subroutine: unsolved (best 0.88 @ qwen2.5-0.5b).

Training

  • Training examples: 2000
  • Epochs: 3.0
  • Learning rate: 2e-05
  • Effective batch configuration: 16 per device x 2 gradient accumulation
  • Maximum sequence length: 2048
  • Seed: 0
  • Final training loss: 0.158500
  • 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
b09b6a4

0 моделей