/ Модель

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

slm-agent-search-query-gen-qwen2-5-1-5b

Генерация текстаТекст → текст3 профессии

Узкая дообученная модель Qwen2.5, которая преобразует текстовый запрос разработчика в поисковое регулярное выражение для агентских инструментов.

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.

  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 Search-Query Generator — компактная языковая модель Qwen2.5 1.5B, дообученная авторами репозитория Ishaan Ranjan полным циклом supervised fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct. Она преобразует словесный запрос разработчика в исполняемое поисковое регулярное выражение и предназначена для одной узкой подзадачи агента верифицированного программного инструментария. Модель имеет плотную архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов; работает с текстом и выдаёт текст в формате, ограниченном заданной JSON-схемой. В карточке указана поддержка английского языка.

В оценке на до 250 примерах из не встречавшихся при обучении репозиториев HTTPX и Jinja2 доля успешных ответов составила 77,2% после одной попытки обратной связи по схеме и столько же с первой попытки; валидность JSON на первом проходе — 100%. Авторы оценивают эту подзадачу как нерешённую и отмечают, что некоторые подобные запросы надёжнее выполнять детерминированными правилами. Модель специализирована на закрытой JSON-схеме, поэтому не подходит как универсальный помощник по программированию или диалоговая модель. Лицензия — Apache-2.0.

Сценарии применения

  • генерация регулярного выражения для поиска по коду из словесного запроса
  • создание поискового шаблона для репозитория Python
  • преобразование запроса разработчика в JSON с поисковым regex
  • встраивание генерации поисковых шаблонов в подзадачу агента для кода

Ограничения

Специализирована на одной закрытой JSON-схеме и не предназначена для универсального программирования или широкого следования инструкциям. В оценке подзадача признана нерешённой; для некоторых запросов надёжнее детерминированные 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

Code Search-Query Generator (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:

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 retry77.2%
First-pass success77.2%
First-pass schema validity100.0%
Base instruct success after retry10.0% 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: 2.0
  • Learning rate: 2e-05
  • Effective batch configuration: 8 per device x 2 gradient accumulation
  • Maximum sequence length: 2048
  • Seed: 0
  • Final training loss: 0.144966
  • 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
efa9650

0 моделей