/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
32 млрд
Размер весов
65,5 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Coder-32B-Instruct
Библиотека
transformers
Опубликована
6 апр 2025

SWE-Dev-32B

Генерация текстаТекст → текст5 профессий

SWE-Dev-32B — дообученная модель Qwen2.5-Coder для агентного решения задач программной инженерии в репозиториях.

265скачиваний за 30 дней30лайковвеса обновлены9 июл 2025

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

SWE-Dev-32B — открытая модель для агентных задач разработки программного обеспечения, представленная авторами проекта SWE-Dev в исследовательской статье. Она дообучена на базе Qwen/Qwen2.5-Coder-32B-Instruct и построена на плотной архитектуре Qwen2; для работы с ней указаны Transformers и формат safetensors. Модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов, а контекст составляет 32 768 токенов.

Модель предназначена для программных агентов, которые находят нужный код в репозитории, разбирают задачи и помогают вносить и проверять изменения. В README описан конвейер подготовки данных из GitHub с задачами локализации кода, генерации тестов и оценки. В SWE-bench-Verified для SWE-Dev-32B сообщается показатель решения 36,6%; результат зависит от числа раундов вывода и качества данных. Лицензия — MIT.

Сценарии применения

  • поиск и локализация кода по описанию задачи
  • анализ GitHub-репозитория перед исправлением ошибки
  • подготовка изменений кода для задачи из issue
  • генерация тестовых случаев для проверки исправлений
  • создание агента разработки с вызовом инструментов

Ограничения

В README приведён результат 36,6% на SWE-bench-Verified; фактическая эффективность зависит от масштабирования вывода и качества обучающих данных. Это показатель конкретного бенчмарка, а не гарантия успешного решения произвольных задач разработки.

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

📝 Paper | 🌐 Github

🚀 SWE-Dev, an open-source Agent for Software Engineering tasks! This repository contains the SWE-Dev-32B model as presented in the paper SWE-Dev: Building Software Engineering Agents with Training and Inference Scaling.

💡 We develop a comprehensive pipeline for creating developer-oriented datasets from GitHub repositories, including issue tracking, code localization, test case generation, and evaluation.

🔧 Based on open-source frameworks (OpenHands) and models, SWE-Dev-7B and 32B achieved solve rates of 23.4% and 36.6% on SWE-bench-Verified, respectively, even approaching the performance of GPT-4o.

📚 We find that training data scaling and inference scaling can both effectively boost the performance of models on SWE-bench. Moreover, higher data quality further improves this trend when combined with reinforcement fine-tuning (RFT). For inference scaling specifically, the solve rate on SWE-Dev increased from 34.0% at 30 rounds to 36.6% at 75 rounds.

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
6f8669b

0 моделей