Model Card: qwen-python-slm

Visão geral

qwen-python-slm é um modelo de linguagem pequeno (SLM) especializado em gerar código para o ecossistema de Engenharia de Dados, Data Science, Machine Learning, Deep Learning, LLMs, Agentes de IA, DataOps e MLOps.

O modelo é um ajuste fino (SFT com QLoRA) do Qwen/Qwen2.5-Coder-1.5B-Instruct, mantendo a arquitetura de 1,5 bilhão de parâmetros e adicionando adaptadores LoRA treinados para responder a instruções técnicas de dados/IA em Python, SQL e PySpark.

• Tipo de modelo: Causal LM para geração de código
• Idioma: Português (instruções) + código multilíngue (Python/SQL/PySpark)
• Licença: Apache 2.0
• Formatos disponíveis:
  • Pesos completos (merged, FP16) no Hugging Face Hub
  • GGUF quantizado em Q4_K_M para uso local via Ollama / llama.cpp / Continue.dev

Uso pretendido

• Geração de scripts Python para ETL/ELT, análise de dados e ML.
• Escrita de consultas SQL compatíveis com SQLite/PostgreSQL.
• Geração de código PySpark para processamento distribuído.
• Prototipagem de agentes de IA com LangChain, LlamaIndex, CrewAI etc.
• Automação de pipelines de MLOps/DataOps (Airflow, dbt, MLflow).
• Uso educacional e produtividade de desenvolvedores de dados.

Não recomendado para: produção crítica sem revisão humana; geração de código com dados sensíveis sem validação de segurança; substituição de engenheiros especialistas.

Comandos de linguagem

O modelo reconhece prefixos no prompt para forçar a linguagem/domínio desejado:

/python   Código Python genérico
/sql      Consultas SQL
/pyspark  Código PySpark
/ml       Machine Learning (scikit-learn, PyTorch, etc.)
/llm      LLMs e fine-tuning (transformers, peft, vLLM, etc.)
/agent    Agentes de IA (LangChain, LlamaIndex, CrewAI, etc.)
/dataops  Pipelines/DataOps/MLOps (Airflow, dbt, MLflow, etc.)

Exemplo:

ollama run tel1980/qwen-python-slm "/sql Liste os 10 produtos mais vendidos no último trimestre."

Detalhes do treinamento

• Modelo base: Qwen/Qwen2.5-Coder-1.5B-Instruct
• Técnica: Supervised Fine-Tuning (SFT) com QLoRA (4-bit NF4)
• Tamanho de contexto: 1024 tokens
• Hardware de treino: NVIDIA GeForce RTX 5050 (8 GB VRAM)
• Hiperparâmetros LoRA:
  • r = 16
  • alpha = 32
  • dropout = 0.05
  • Módulos alvo: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
• Hiperparâmetros de treino:
  • Batch size efetivo: 16 (1 × 16 gradient accumulation)
  • Learning rate: 2e-4
  • Max steps: 500
  • Warmup steps: 30
  • Otimizador: paged_adamw_8bit
• Resultado do treino: ~1h10min de GPU, loss médio 0,578, loss final 0,508
• Parâmetros treináveis: 18,4M (1,18% do total)

Dados de treino

Dataset final combinado: 98.180 amostras.

• Dataset principal: iamtarun/python_code_instructions_18k_alpaca (Python, filtrado por keywords de dados/IA)
• Datasets Python extras: flytech/python-codes-25k, m-a-p/CodeFeedback-Filtered-Instruction (filtrado para Python, subamostrado para 30k)
• Dataset SQL: b-mc2/sql-create-context (subamostrado para 15k)
• Dataset PySpark: curadoria própria de 1.500 amostras no formato Alpaca (datasets/pyspark_instructions.json)
• Filtro de domínio: amostras são mantidas apenas se contiverem palavras-chave do ecossistema de dados/IA (pandas, sklearn, PyTorch, Spark, Airflow, MLflow, LangChain etc.)
• Prompt de sistema: engenheiro de dados/ML sênior, especializado em Python/SQL/PySpark para dados e IA.

Métricas de avaliação

Avaliação executada com src/evaluate.py (Python) e src/evaluate_extended.py (SQL e PySpark), 30 amostras por linguagem.

Ressalva: as amostras de avaliação vêm dos mesmos datasets usados no treino, então os números tendem a ser otimistas. Servem como sanity check de formato e gramática.

Observações:

• Os erros de execução Python foram principalmente ambientais (biblioteca externa ausente, input() sem stdin, arquivo local inexistente), não falhas de sintaxe.
• BLEU alto em SQL reflete o forte padrão do dataset sql-create-context; BLEU mede similaridade com a referência, não correção semântica.

Futuramente, recomenda-se adicionar pass@1 em benchmarks como HumanEval, MBPP e Spider/BIRD (SQL), com dados nunca vistos no treino.

Limitações

• O modelo foi treinado com recursos limitados (RTX 5050 8 GB, 500 steps), então pode apresentar alucinações ou código não executável.
• SQL é validado sintaticamente, mas não executado contra um banco real — a semântica depende do schema fornecido.
• PySpark é tratado como Python; a execução real exige ambiente Spark configurado.
• O domínio é voltado para dados/IA; código fora desse escopo (frontend, mobile, etc.) pode ter qualidade inferior.
• O modelo pode reproduzir vieses presentes nos dados de treino.

Como usar

Ollama (GGUF)

ollama run tel1980/qwen-python-slm "/python Crie uma DAG do Airflow que baixe um CSV e salve no S3."

Transformers (pesos merged)

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "tel1980/qwen-python-slm"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

messages = [
    {"role": "system", "content": "Você é um engenheiro de dados e Machine Learning sênior."},
    {"role": "user", "content": "/sql Liste os clientes com mais de 5 pedidos."},
]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(model.device)
outputs = model.generate(inputs, max_new_tokens=512, temperature=0.2)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))

Licença

Este modelo é distribuído sob a licença Apache 2.0, a mesma do modelo base Qwen2.5-Coder-1.5B-Instruct.

Citação

Se você usar este modelo em trabalhos acadêmicos, cite o modelo base:

@article{qwen2.5,
  title={Qwen2.5 Technical Report},
  author={Qwen Team},
  journal={arXiv preprint arXiv:2409.12186},
  year={2024}
}

Links

• Código-fonte: https://github.com/tel1980/SLM_python
• Pesos merged (FP16): https://huggingface.co/tel1980/qwen-python-slm
• GGUF quantizado: https://huggingface.co/tel1980/qwen-python-slm-gguf