/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
14 млрд
Размер весов
29,5 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
17 фев 2026

Nemotron-Terminal-14B

Генерация текстаТекст → текст7 профессий

Дообученная модель NVIDIA на базе Qwen3 для планирования и выполнения задач в терминале с выдачей команд в структурированном JSON.

508скачиваний за 30 дней12лайковвеса обновлены27 фев 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 оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • harborframework/terminal-bench-2.0

    score · выше — лучше

    Результат

    20,2

    terminalbench_2 20,2
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Nemotron-Terminal-14B — модель NVIDIA для автономного взаимодействия с терминалом. Это дообученная на корпусе Nemotron-Terminal-Corpus плотная языковая модель семейства Qwen3 с 14 млрд параметров, представленная в формате safetensors и предназначенная для работы через библиотеку Transformers.

Модель планирует и выполняет задачи в командной строке, формируя структурированный JSON с анализом состояния терминала, планом, командами и признаком завершения задачи. В README приведён результат 20,2% на Terminal-Bench 2.0 для варианта 14B; для воспроизводимости оценки рекомендована оболочка Terminus 2. Метаданные указывают контекст 40 960 токенов и английский язык.

Модель рассчитана на текстовый ввод и выдаёт текст с командами для терминала; для их выполнения требуется внешняя среда или оболочка. Указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории.

Сценарии применения

  • выполнение задач в командной строке по текстовому запросу
  • составление плана действий для работы в терминале
  • генерация команд для осмотра файлов и состояния среды
  • автономное управление терминалом через оболочку Terminus 2
  • оценка агентов для терминала на Terminal-Bench 2.0

Ограничения

Модель выдаёт команды, но для их фактического выполнения нужна внешняя среда или оболочка. В README приведён результат 20,2% на Terminal-Bench 2.0; конкретные условия лицензии «other» следует проверить в репозитории.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron-Terminal Model Family

Nemotron-Terminal is a family of models specialized for autonomous terminal interaction, fine-tuned from the Qwen3 (8B, 14B, and 32B). Developed by NVIDIA, these models utilize Nemotron-Terminal-Corpus, a large-scale open-source dataset for terminal tasks, to achieve performance that rivals frontier models many times their size.

Model Variants

We release the following variants of the Nemotron-Terminal family:

  • Nemotron-Terminal-8B
  • Nemotron-Terminal-14B
  • Nemotron-Terminal-32B

Performance on Terminal-Bench 2.0

The Nemotron-Terminal family demonstrates profound leaps in capability compared to the Qwen3 baselines across multiple specialized categories.

ModelSizeBase AccuracyNemotron-Terminal Accuracy
Nemotron-Terminal-8B8B2.47%13.0%
Nemotron-Terminal-14B14B4.04%20.2%
Nemotron-Terminal-32B32B3.37%27.4%

Usage

The models are trained using the Terminus 2 scaffolding and output a structured JSON format. For evaluation on Terminal Bench 2.0, we encourage using Terminus 2 scaffolding to maintain consistency with training.

Expected Output Format

{
  "analysis": "Analysis of the current terminal state...",
  "plan": "Step-by-step plan for the next command...",
  "commands": [
    {
      "keystrokes": "ls -la\n",
      "duration": 0.1
    }
  ],
  "task_complete": false
}

📜 Citation

If you use this dataset in your research, please cite the following work:

@misc{pi2026dataengineeringscalingllm,
      title={On Data Engineering for Scaling LLM Terminal Capabilities}, 
      author={Renjie Pi and Grace Lam and Mohammad Shoeybi and Pooya Jannaty and Bryan Catanzaro and Wei Ping},
      year={2026},
      eprint={2602.21193},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2602.21193}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
fa6f29a

0 моделей