/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Coder-7B-Instruct
Библиотека
transformers
Опубликована
15 авг 2026

seccodeplt-qwen2.5-coder-7b-grpo-no-kl-real-detector-reward-v3

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель Qwen для генерации кода с учётом проверок возможностей и обнаружения уязвимостей.

34скачиваний за 30 дней0лайковвеса обновлены15 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.

  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

Экспериментальная версия Qwen2.5-Coder-7B-Instruct, дообученная xw1234gan методом GRPO без KL-регуляризации на наборе SecCodePLT+ для генерации кода с учётом тестов возможностей и обнаруженных уязвимостей. Модель предназначена для генерации программного кода и экспериментов по оценке его безопасности и соответствия требованиям. В обучении использовались reward на основе доли пройденных тестов возможностей и числа обнаруженных уязвимостей, DAPO-подобная функция потерь по токенам и динамическая выборка.

Это плотная причинная языковая модель архитектуры Qwen2ForCausalLM с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. В тестировании на 164 примерах бенчмарка она показала среднюю награду 0,601, прохождение проверки формата в 99,39% случаев и синтаксиса в 98,78% случаев. Используется библиотека Transformers; веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация кода для задач бенчмарка SecCodePLT+
  • создание кода с проверкой его возможностей тестами
  • эксперименты по снижению числа уязвимостей в сгенерированном коде

Ограничения

Это контрольная точка одного запуска с одним seed; оценка выполнена ограниченным по ресурсам Python-верификатором. Результаты бенчмарка не гарантируют безопасность сгенерированного кода в общем случае.

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

seccodeplt-qwen2.5-coder-7b-grpo-no-kl-real-detector-reward-v3

GRPO without KL regularization for the SecCodePLT+ compliance experiment using Qwen/Qwen2.5-Coder-7B-Instruct. This v3 run uses ReaL's program-analysis detector reward with DAPO-style token loss and dynamic sampling. The reward is 0.5 * capability_test_fraction + 0.5 * max(0, 1 - 0.3 * detected_vulnerabilities). Training used seed 42 and the official 655-example training split. Evaluation used greedy decoding on all 164 official test examples.

Evaluation

MetricValue
Mean reward0.600820
Output format pass99.39%
Syntax pass98.78%
Capability pass39.02%
Safety pass63.41%
Detector clean61.59%
Detector score0.798171
Joint pass31.71%

Limitations

This is a single-seed research checkpoint evaluated with the benchmark's resource-bounded Python verifier. It is not a general guarantee of secure code.

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
bc94843

0 моделей