/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
17 фев 2026

Nemotron-Terminal-8B

Генерация текстаТекст → текст5 профессий

Дообученная NVIDIA на Qwen3 модель для планирования и выполнения задач в терминале через структурированные команды.

781скачиваний за 30 дней38лайковвеса 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

    13

    terminalbench_2 13
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Nemotron-Terminal-8B — модель NVIDIA для автономного взаимодействия с терминалом. Она дообучена на базе Qwen3 и специализирована на задачах, где нужно анализировать состояние терминала, планировать действия и выдавать команды в структурированном JSON-формате для оболочки Terminus 2. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; заявленная длина контекста — 40 960 токенов.

В README приведён результат 13,0% на Terminal-Bench 2.0 для варианта 8B, выше указанного результата базовой Qwen3 8B в 2,47%. Модель ориентирована на англоязычные терминальные сценарии; метаданные указывают поддержку чата и библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

Сценарии применения

  • автономное выполнение задач в командной строке
  • анализ текущего состояния терминала
  • планирование последовательности команд оболочки
  • генерация команд для работы с файлами и окружением
  • управление терминальной сессией через Terminus 2

Ограничения

Модель обучена для терминальных сценариев и ожидает структурированный JSON-вывод с использованием Terminus 2; результат на Terminal-Bench 2.0 для варианта 8B составляет 13,0%, поэтому выполнение задач не гарантировано. Лицензия указана как other, и её конкретные условия нужно проверить в репозитории.

Для каких профессий подходит5

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
bb14135

0 моделей