Update README.md

README.md

@@ -1,239 +1,108 @@
----
-library_name: transformers
-license: apache-2.0
-base_model: Qwen/Qwen2.5-Coder-3B-Instruct
-pipeline_tag: text-generation
-inference: true
-tags:
-- code
-- code-analysis
-- qwen
-- qwen2
-- text-generation
-- transformers
-- fine-tuned
-widget:
-- text: "Проанализируй этот код:\ndef hello():\n    print('Hello, World!')"
-  example_title: "Анализ простого кода"
-- text: "Объясни, что делает эта функция:\ndef factorial(n):\n    if n <= 1:\n        return 1\n    return n * factorial(n-1)"
-  example_title: "Объяснение функции"
----
-
-# Code Analyzer Model
-
-Fine-tuned версия модели Qwen2.5-Coder-3B-Instruct для анализа кода студента на основе условия задачи.
-
-## Описание модели
-
-Эта модель была обучена на датасете ITOG для анализа кода студента. Модель принимает:
-- **Условие задачи** (текстовое описание)
-- **Код решения студента** (Python код)
-
-И возвращает детальный анализ в формате JSON, включающий:
-- Оценку правильности решения
-- Анализ соответствия требованиям задачи
-- Оценку качества кода
-- Сильные и слабые стороны решения
-- Рекомендации по улучшению
-- Детальный анализ с обоснованием
-
-Модель основана на Qwen2.5-Coder-3B-Instruct и дообучена с использованием LoRA (Low-Rank Adaptation).
-
-## Быстрый старт
-
-### Вариант 1: Использование виджета на странице модели
-
-1. Перейдите на страницу модели: https://huggingface.co/Vilyam888/Code_analyze.1.0
-2. Прокрутите страницу вниз до раздела **"Hosted inference API"** или **"Widget"**
-3. Введите ваш запрос в текстовое поле виджета
-4. Нажмите "Compute" для получения ответа
-
-### Вариант 1.5: Создайте Gradio Space (если Inference API недоступен)
-
-Если опция "Inference" не отображается в меню "Use this model", создайте интерактивный Gradio Space:
-
-**Быстрая инструкция:**
-
-1. Перейдите на https://huggingface.co/spaces
-2. Нажмите **"Create new Space"**
-3. Заполните форму:
-   - **Space name**: `code-analyzer-demo` (или любое другое)
-   - **SDK**: выберите **Gradio**
-   - **Hardware**: **CPU Basic** (бесплатно)
-   - **Visibility**: **Public**
-4. Нажмите **"Create Space"**
-5. Загрузите файлы:
-   - `app.py` (из этой модели)
-   - `requirements_gradio.txt` → переименуйте в `requirements.txt`
-6. Дождитесь автоматического запуска (2-5 минут)
-7. Готово! Интерфейс будет доступен на странице Space
-
-**Подробная инструкция:** См. файл `GRADIO_SPACE_INSTRUCTIONS.md` в корне проекта
-
-### Вариант 2: Использование локально (Python)
-
-**Установка зависимостей:**
-```bash
-pip install transformers torch
-```
-
-**Простой пример использования:**
-```python
-from transformers import AutoModelForCausalLM, AutoTokenizer
-import torch
-import json
-
-model_name = "Vilyam888/Code_analyze.1.0"
-
-# Загрузка модели
-tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained(
-    model_name,
-    torch_dtype=torch.bfloat16,
-    device_map="auto",
-    trust_remote_code=True
-)
-
-# Условие задачи
-task = "Напишите функцию, которая принимает список чисел и возвращает сумму всех элементов."
-
-# Код студента
-code = """def sum_list(numbers):
-    total = 0
-    for num in numbers:
-        total += num
-    return total"""
-
-# Форматирование входа
-input_text = f"Задача:\n{task}\n\nРешение (код):\n```python\n{code}\n```"
-prompt = f"{input_text}\n\nОтвет:\n"
-
-# Генерация анализа
-inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
-with torch.no_grad():
-    outputs = model.generate(
-        **inputs,
-        max_new_tokens=1024,
-        temperature=0.7,
-        top_p=0.8,
-        top_k=20,
-        repetition_penalty=1.05,
-        do_sample=True
-    )
-
-# Декодирование и парсинг JSON
-response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-result = response.split("Ответ:")[-1].strip()
-analysis = json.loads(result)
-
-print(json.dumps(analysis, ensure_ascii=False, indent=2))
-```
-
-**Или используйте готовые скрипты из репозитория:**
-
-Простой пример (минимальный код):
-```bash
-python scripts/quick_start_example.py
-```
-
-Полный пример с интерактивным режимом:
-```bash
-python scripts/use_model_example.py
-```
-
-## Использование
-
-### С помощью transformers
-
-```python
-from transformers import AutoModelForCausalLM, AutoTokenizer
-import torch
-
-model_name = "Vilyam888/Code_analyze.1.0"
-
-tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
-model = AutoModelForCausalLM.from_pretrained(
-    model_name,
-    torch_dtype=torch.bfloat16,
-    device_map="auto",
-    trust_remote_code=True
-)
-
-# Формат запроса
-prompt = "Проанализируй этот код:\ndef hello():\n    print('Hello, World!')"
-
-# Форматирование в стиле обучения
-text = f"{prompt}\n\nОтвет:\n"
-
-inputs = tokenizer(text, return_tensors="pt").to(model.device)
-
-with torch.no_grad():
-    outputs = model.generate(
-        **inputs,
-        max_new_tokens=512,
-        temperature=0.7,
-        top_p=0.8,
-        top_k=20,
-        repetition_penalty=1.05,
-        do_sample=True
-    )
-
-response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-print(response)
-```
-
-### С помощью pipeline
-
-```python
-from transformers import pipeline
-
-model_name = "Vilyam888/Code_analyze.1.0"
-
-generator = pipeline(
-    "text-generation",
-    model=model_name,
-    tokenizer=model_name,
-    trust_remote_code=True,
-    device_map="auto"
-)
-
-prompt = "Объясни, что делает этот код:\ndef factorial(n):\n    if n <= 1:\n        return 1\n    return n * factorial(n-1)"
-text = f"{prompt}\n\nОтвет:\n"
-
-result = generator(
-    text,
-    max_new_tokens=512,
-    temperature=0.7,
-    top_p=0.8,
-    top_k=20,
-    repetition_penalty=1.05,
-    do_sample=True
-)
-
-print(result[0]["generated_text"])
-```
-
-## Детали обучения
-
-- **Базовая модель:** Qwen/Qwen2.5-Coder-3B-Instruct
-- **Метод обучения:** LoRA (Low-Rank Adaptation)
-- **Параметры LoRA:**
-  - `r`: 16
-  - `lora_alpha`: 32
-  - `lora_dropout`: 0.05
-- **Фреймворк:** TRL (Transformer Reinforcement Learning)
-- **Формат данных:** JSONL с полями `input` и `output`
-
-## Ограничения
-
-- Модель обучена на русском языке для анализа кода
-- Может генерировать неточные или неполные ответы
-- Требует GPU для эффективной работы
-
-## Лицензия
-
-Apache 2.0
-
-## Авторы
-
-Fine-tuned by Vilyam888
+---
+library_name: transformers
+license: apache-2.0
+base_model: Qwen/Qwen2.5-Coder-3B-Instruct
+pipeline_tag: text-generation
+inference: true
+tags:
+- code
+- code-analysis
+- qwen
+- qwen2
+- text-generation
+- transformers
+- fine-tuned
+widget:
+- text: "Проанализируй этот код:\ndef hello():\n    print('Hello, World!')"
+  example_title: "Анализ простого кода"
+- text: "Объясни, что делает эта функция:\ndef factorial(n):\n    if n <= 1:\n        return 1\n    return n * factorial(n-1)"
+  example_title: "Объяснение функции"
+---
+
+# Code Analyzer Model
+
+Fine-tuned версия модели Qwen2.5-Coder-3B-Instruct для анализа кода студента на основе условия задачи.
+
+## Описание модели
+
+Эта модель предназначена для анализа кода студента, нахождение слабых сильных сторон и выставления оценки. Модель принимает:
+- **Условие задачи** (текстовое описание)
+- **Код решения студента** (Python код)
+
+И возвращает детальный анализ в формате JSON, включающий:
+- Оценку правильности решения
+- Анализ соответствия требованиям задачи
+- Оценку качества кода
+- Сильные и слабые стороны решения
+- Рекомендации по улучшению
+- Детальный анализ с обоснованием
+
+Модель основана на Qwen2.5-Coder-3B-Instruct и дообучена с использованием LoRA (Low-Rank Adaptation).
+
+
+## Использование
+
+### С помощью transformers
+
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+import torch
+
+model_name = "Vilyam888/Code_analyze.1.0"
+
+tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
+model = AutoModelForCausalLM.from_pretrained(
+    model_name,
+    torch_dtype=torch.bfloat16,
+    device_map="auto",
+    trust_remote_code=True
+)
+
+# Формат запроса
+prompt = "Проанализируй этот код:\ndef hello():\n    print('Hello, World!')"
+
+# Форматирование в стиле обучения
+text = f"{prompt}\n\nОтвет:\n"
+
+inputs = tokenizer(text, return_tensors="pt").to(model.device)
+
+with torch.no_grad():
+    outputs = model.generate(
+        **inputs,
+        max_new_tokens=512,
+        temperature=0.7,
+        top_p=0.8,
+        top_k=20,
+        repetition_penalty=1.05,
+        do_sample=True
+    )
+
+response = tokenizer.decode(outputs[0], skip_special_tokens=True)
+print(response)
+```
+
+
+## Детали обучения
+
+- **Базовая модель:** Qwen/Qwen2.5-Coder-3B-Instruct
+- **Метод обучения:** LoRA (Low-Rank Adaptation)
+- **Параметры LoRA:**
+  - `r`: 16
+  - `lora_alpha`: 32
+  - `lora_dropout`: 0.05
+- **Фреймворк:** TRL (Transformer Reinforcement Learning)
+- **Формат данных:** JSONL с полями `input` и `output`
+
+## Ограничения
+
+- Модель обучена на русском языке для анализа кода
+- Может генерировать неточные или неполные ответы
+- Требует GPU для эффективной работы
+
+## Лицензия
+
+Apache 2.0
+
+## Авторы
+
+Fine-tuned by Vilyam888