Характеристики

Лицензия: Apache 2.0
Базовая модель: Qwen3-4B-Instruct-2507
Опубликована: 25 авг 2026

Ссылки

Hugging Face

truss-python

truss-ai

Генерация текстаТекст → текст7 профессий

Дообученная и квантованная модель Qwen3-4B для генерации профессионального кода на Python и помощи в программировании.

86скачиваний за 30 дней2лайкавеса обновлены26 авг 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Truss Python — специализированная дообученная модель Truss AI для генерации и объяснения кода на Python. Она основана на Qwen/Qwen3-4B-Instruct-2507 и использует архитектуру Qwen3ForCausalLM; карточка указывает 4 млрд параметров и контекст до 262 144 токенов. Модель распространяется в формате GGUF с квантизацией Q4_K_M и адаптацией LoRA, рассчитана на локальный запуск, в том числе через Ollama.

Модель предназначена для генерации аккуратно структурированного кода, решения алгоритмических задач и помощи с асинхронным программированием, стандартной библиотекой Python и структурами данных. Она ориентирована на аннотации типов, документацию в стиле Google, обработку ошибок и синтаксис Python 3.10+. Лицензия — Apache 2.0. Карточка описывает поддержку английского языка; качество кода и корректность результатов следует проверять, особенно для сложных задач и кода, используемого в production.

Сценарии применения

генерация функций Python с аннотациями типов и docstring
написание алгоритмов и структур данных на Python
создание асинхронного кода с asyncio
разработка декораторов и утилит на стандартной библиотеке Python
добавление обработки ошибок и управления ресурсами в код Python

Ограничения

Специализирована на Python и может ошибаться в сгенерированном коде, поэтому результаты требуют проверки. Использует квантизацию Q4_K_M, которая может снижать точность относительно исходных весов.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Truss Python: Qwen3-4B Specialized Coding Assistant

Truss Python is a specialized fine-tuned version of Qwen3-4B-Instruct-2507, optimized for generating clean, professional, and robust Python code. By focusing on high-quality seed prompts involving standard libraries, asynchronous programming, and data structures, this model prioritizes type safety, documentation, and modern Pythonic patterns.

🚀 Model Details

Base Model: Qwen/Qwen3-4B-Instruct-2507
Architecture: Qwen3ForCausalLM
Fine-Tuning Method: LoRA (Low-Rank Adaptation)
Quantization: Q4_K_M (GGUF)
File Size: ~2.5 GB
License: Apache 2.0 (Inherited from Qwen3)

✨ Key Features

Professional Structure: Consistently generates code with Google-style docstrings and comprehensive type hints.
Modern Syntax: Proficient in Python 3.10+ features like match-case structural pattern matching.
Robust Error Handling: Prioritizes try/except blocks and resource management (e.g., async with, contextlib).
Standard Library Focus: Expert-level knowledge of asyncio, threading, csv, functools, and pandas.

💻 Usage with Ollama

This model is optimized for local deployment using Ollama.

1. Local Import (Using GGUF)

If you have downloaded the .gguf file:

Create a Modelfile:

FROM ./truss-qwen3-python-lora.gguf
PARAMETER temperature 0.2
SYSTEM "You are an expert Python developer. Provide clean, efficient, and well-documented code."

Create the model in your terminal:

ollama create truss-python -f Modelfile

Run the model:
```
ollama run truss-python
```

🧪 Example Prompts

Task	Prompt
Algorithms	"Write a binary search function with type hints and no built-in libraries."
Decorators	"Create a `@timer` decorator using `functools.wraps` and `time.perf_counter`."
Async I/O	"Fetch data from 3 URLs concurrently using `aiohttp` and `asyncio.gather`."
Data Science	"Optimize a pandas merge for 1M+ rows using specific dtypes."

⚙️ Technical Specifications

Parameter	Value
Parameters	4 Billion
Context Length	262,144 tokens
Embedding Dim	2,560
Head Count	32 (Q), 8 (KV)
RoPE Theta	5,000,000

📜 License

This model is based on Qwen3, which is licensed under the Apache 2.0 License. The fine-tuned weights and GGUF conversion are provided for research and development purposes.

Built with ❤️ using Unsloth, llama.cpp, and Ollama.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов: ed8ecf1