| ---
|
| license: other
|
| library_name: transformers
|
| pipeline_tag: text-generation
|
| base_model: Qwen/Qwen2.5-Coder-3B-Instruct
|
| tags:
|
| - qwen
|
| - qwen2.5-coder
|
| - transformers
|
| - text-generation
|
| - code
|
| - fine-tuned
|
| - russian
|
| ---
|
|
|
| # Broken_Code_Generation1.0
|
|
|
| `Broken_Code_Generation1.0` - это модель для генерации задач по программированию в стиле ML bugfix.
|
|
|
| Если совсем просто: ты задаешь **3 тега** и **сложность**, а модель возвращает **одну готовую задачу** в JSON-формате: с названием, контекстом, тестами, требованиями, ограничениями и сломанным кодом, который нужно исправить.
|
|
|
| Модель основана на `Qwen/Qwen2.5-Coder-3B-Instruct`, была дообучена через `QLoRA`, а затем смержена в полноценную модель для инференса и публикации.
|
|
|
| Built with Qwen.
|
|
|
| ## Что делает модель
|
|
|
| Модель принимает:
|
|
|
| - ровно 3 тега
|
| - одну сложность: `easy`, `medium` или `hard`
|
|
|
| И возвращает:
|
|
|
| - один JSON-объект
|
| - без Markdown
|
| - без дополнительных пояснений
|
| - в формате, похожем на обучающий датасет
|
|
|
| ## Что будет в ответе
|
|
|
| На выходе ожидается JSON с такими полями:
|
|
|
| - `id`
|
| - `title`
|
| - `difficulty`
|
| - `topic_tags`
|
| - `task_context`
|
| - `tests`
|
| - `expected_output`
|
| - `input_example`
|
| - `output_example`
|
| - `requirements`
|
| - `constraints`
|
| - `broken_code`
|
|
|
| ## Где модель полезна
|
|
|
| Эта модель подойдет, если тебе нужно:
|
|
|
| - генерировать новые ML bugfix-задачи
|
| - собирать учебные примеры для студентов
|
| - делать синтетические данные для обучения и тестирования
|
| - быстро получать задачи в одном и том же структурированном формате
|
| - использовать ее вместе с анализом кода
|
|
|
| ## Основное подключение
|
|
|
| Подключение через `transformers` напрямую:
|
|
|
| ```python
|
| import json
|
| from transformers import AutoModelForCausalLM, AutoTokenizer
|
| import torch
|
|
|
| model_path = "Vilyam888/Broken_Code_Generation.1.0"
|
|
|
| tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
|
| if tokenizer.pad_token is None:
|
| tokenizer.pad_token = tokenizer.eos_token
|
| tokenizer.padding_side = "left"
|
|
|
| model = AutoModelForCausalLM.from_pretrained(
|
| model_path,
|
| torch_dtype=torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else (
|
| torch.float16 if torch.cuda.is_available() else torch.float32
|
| ),
|
| device_map="auto",
|
| trust_remote_code=True,
|
| )
|
|
|
| SYSTEM_PROMPT = (
|
| "Ты генерируешь новую ML bugfix-задачу строго в формате объектов из датасета. "
|
| "Верни только один JSON-объект без Markdown и без пояснений. "
|
| "Порядок полей должен быть ровно таким: "
|
| "`title`, `difficulty`, `topic_tags`, `task_context`, `tests`, "
|
| "`expected_output`, `input_example`, `output_example`, `requirements`, "
|
| "`constraints`, `broken_code`. "
|
| "`tests`, `requirements` и `constraints` должны быть массивами строк. "
|
| "`broken_code` должен быть одной строкой с полным Python-кодом и символами `\\n`. "
|
| "Не добавляй лишние поля и не обрывай JSON."
|
| )
|
|
|
| topic_tags = {
|
| "TabularData": 0.4,
|
| "Statistics": 0.3,
|
| "DataPreprocessing": 0.3,
|
| }
|
|
|
| payload = {
|
| "difficulty": "medium",
|
| "topic_tags": topic_tags,
|
| }
|
|
|
| messages = [
|
| {"role": "system", "content": SYSTEM_PROMPT},
|
| {
|
| "role": "user",
|
| "content": (
|
| "Сгенерируй новую ML bugfix-задачу по параметрам.\n"
|
| "Формат должен совпадать со структурой датасета: "
|
| "все поля обязательны, `tests`/`requirements`/`constraints` - это списки строк, "
|
| "`broken_code` - полная строка кода с ошибками и комментариями `ВОТ ТУТ НУЖНО ИСПРАВИТЬ КОД`.\n"
|
| "Поля должны идти в порядке: "
|
| "title, difficulty, topic_tags, task_context, tests, expected_output, "
|
| "input_example, output_example, requirements, constraints, broken_code.\n"
|
| + json.dumps(payload, ensure_ascii=False, indent=2)
|
| ),
|
| },
|
| ]
|
|
|
| prompt = tokenizer.apply_chat_template(
|
| messages,
|
| tokenize=False,
|
| add_generation_prompt=True,
|
| )
|
| inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
|
| prompt_length = inputs["input_ids"].shape[1]
|
|
|
| with torch.no_grad():
|
| output = model.generate(
|
| **inputs,
|
| max_new_tokens=1200,
|
| temperature=0.7,
|
| top_p=0.95,
|
| do_sample=True,
|
| pad_token_id=tokenizer.pad_token_id,
|
| eos_token_id=tokenizer.eos_token_id,
|
| )
|
|
|
| completion_tokens = output[0][prompt_length:]
|
| completion = tokenizer.decode(completion_tokens, skip_special_tokens=True).strip()
|
| print(completion)
|
| ```
|
|
|
| После этого модели нужно передать:
|
|
|
| - 3 тега
|
| - сложность `easy`, `medium` или `hard`
|
| - промпт с просьбой вернуть один JSON-объект
|
|
|
| Для этой модели это важно: она обучена не на обычный разговорный чат, а на генерацию задач.
|
|
|
| Поэтому хороший запрос для нее выглядит так:
|
|
|
| - "Сгенерируй ML bugfix-задачу по таким тегам и такой сложности"
|
|
|
| А вот запросы вроде:
|
|
|
| - `Who are you?`
|
| - `Hello`
|
| - `Tell me a joke`
|
|
|
| для этой модели не являются целевым сценарием и обычно не дают полезного результата.
|
|
|
| Если нужен более простой запуск именно внутри этого проекта, ниже есть второй вариант через готовый скрипт.
|
|
|
| Если говорить совсем коротко: для обычного подключения другим людям достаточно `transformers`, `torch` и имени репозитория:
|
|
|
| - `Vilyam888/Broken_Code_Generation.1.0`
|
|
|
| ## Основной инференс в проекте
|
|
|
| Самый простой и понятный способ запуска в этом проекте:
|
|
|
| ```powershell
|
| .\.venv\Scripts\python.exe .\HF_Release\infer_merged_model.py --tag1 TabularData --tag2 Statistics --tag3 DataPreprocessing --difficulty medium
|
| ```
|
|
|
| Что произойдет после запуска:
|
|
|
| - загрузится смерженная модель
|
| - в модель передадутся 3 тега и сложность
|
| - модель сгенерирует задачу
|
| - готовый JSON сохранится в `HF_Release/inference_output/generated_task.json`
|
| - сырой текст ответа сохранится в `HF_Release/inference_output/raw_output.txt`
|
|
|
| Еще один пример:
|
|
|
| ```powershell
|
| .\.venv\Scripts\python.exe .\HF_Release\infer_merged_model.py --tag1 Classification --tag2 Evaluation --tag3 Metrics --difficulty hard
|
| ```
|
|
|
| ## Что можно менять
|
|
|
| В основной команде ты обычно меняешь только это:
|
|
|
| - `--tag1`, `--tag2`, `--tag3` - любые 3 нужных тега
|
| - `--difficulty` - `easy`, `medium` или `hard`
|
|
|
| Например, если хочешь другую генерацию, просто подставляешь другие значения в ту же команду.
|
|
|
| ## Как это работает
|
|
|
| Внутри все довольно просто:
|
|
|
| 1. из трех тегов собирается `topic_tags`
|
| 2. в промпт подставляются теги и сложность
|
| 3. модель генерирует текст
|
| 4. из текста извлекается JSON
|
| 5. JSON сохраняется в итоговый файл
|
|
|
| То есть в обычной работе тебе не нужно менять код модели. Достаточно менять входные теги и сложность.
|
|
|
| ## Совместимость с Code Analyze
|
|
|
| Эта модель хорошо работает в связке с [`Vilyam888/Code_analyze.1.0`](https://huggingface.co/Vilyam888/Code_analyze.1.0).
|
|
|
| Удобный сценарий такой:
|
|
|
| 1. `Code_analyze.1.0` анализирует код и определяет тип ошибки
|
| 2. по этому анализу выбираются подходящие теги
|
| 3. `Broken_Code_Generation1.0` генерирует новую bugfix-задачу в нужном формате
|
|
|
| Это удобно для:
|
|
|
| - учебных пайплайнов
|
| - генерации новых примеров
|
| - полуавтоматической подготовки задач
|
| - систем, где сначала анализируется решение, а потом создается похожая задача на закрепление
|
|
|
| ## Как лучше формулировать запрос
|
|
|
| Модель обычно отвечает лучше, если:
|
|
|
| - давать ровно 3 тега
|
| - явно указывать сложность
|
| - просить вернуть ровно один JSON-объект
|
| - отдельно писать, что не нужно добавлять Markdown и пояснения
|
|
|
| ## Ограничения
|
|
|
| Важно помнить:
|
|
|
| - модель все еще может иногда выдавать неполный JSON
|
| - качество зависит от промпта и параметров генерации
|
| - иногда ответы могут быть стилистически похожими друг на друга
|
| - генерации лучше просматривать вручную перед использованием в важном датасете или продукте
|
|
|
| ## Кратко об обучении
|
|
|
| - Базовая модель: `Qwen/Qwen2.5-Coder-3B-Instruct`
|
| - Метод дообучения: `QLoRA`
|
| - Итоговая версия: merged-модель после вливания LoRA-адаптера в базовую
|
| - Целевая задача: генерация структурированных ML bugfix-задач
|
|
|
| ## Что лежит в репозитории
|
|
|
| Главные файлы:
|
|
|
| - шарды модели: `model-00001-of-00004.safetensors` ... `model-00004-of-00004.safetensors`
|
| - файлы токенизатора
|
| - `chat_template.jinja`
|
| - `config.json`
|
| - `generation_config.json`
|
|
|
| ## Лицензия
|
|
|
| Этот репозиторий является производной работой от `Qwen/Qwen2.5-Coder-3B-Instruct`.
|
|
|
| Базовая модель распространяется по лицензии `Qwen RESEARCH LICENSE AGREEMENT`. На Hugging Face для этой модели используется `license: other`.
|
|
|
| Важно:
|
|
|
| - лицензия Qwen ориентирована на research / non-commercial использование
|
| - для коммерческого использования нужно отдельно проверить условия исходной лицензии
|
| - при распространении нужно сохранять `LICENSE` и `NOTICE`
|
|
|
| ## Атрибуция
|
|
|
| Improved using Qwen.
|
|
|
|
|
