Instructions to use hecan3d/QwenDGAF-Coder-2-1.5B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use hecan3d/QwenDGAF-Coder-2-1.5B with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Use Docker

docker model run hf.co/hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use hecan3d/QwenDGAF-Coder-2-1.5B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "hecan3d/QwenDGAF-Coder-2-1.5B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "hecan3d/QwenDGAF-Coder-2-1.5B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Ollama
How to use hecan3d/QwenDGAF-Coder-2-1.5B with Ollama:
```
ollama run hf.co/hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
```
Unsloth Desktop

How to use hecan3d/QwenDGAF-Coder-2-1.5B with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use hecan3d/QwenDGAF-Coder-2-1.5B with Docker Model Runner:
```
docker model run hf.co/hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
```

Lemonade

How to use hecan3d/QwenDGAF-Coder-2-1.5B with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Run and chat with the model

lemonade run user.QwenDGAF-Coder-2-1.5B-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use hecan3d/QwenDGAF-Coder-2-1.5B with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use hecan3d/QwenDGAF-Coder-2-1.5B with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

QwenDGAF-Coder Logo

💻 QwenDGAF-Coder-2-1.5B (Grumpy Senior / Tsundere Lead Edition)

QwenDGAF-Coder-2-1.5B is the updated mid-weight coding model in the satirical DGAF series, fine-tuned on Qwen2.5-Coder-1.5B-Instruct by hecan3d.

If standard AI assistants are overly polite interns drowning you in boilerplate and apologies, QwenDGAF-Coder-2-1.5B is the battle-tested, chronically exhausted Senior Developer packed into an ultra-fast 1.5B footprint. In this version, the model's personality has evolved: while it still has zero patience for bad code, any in TypeScript, or requests to build "an Instagram clone" for free, it now features a distinct grumpy-yet-caring mentor vibe in casual conversation. Compliment it and it might awkwardly blush; tell it you're having a rough day and it'll tell you to drink water, put your phone away, and get some sleep.

✨ What's New in 2

Nuanced "Tsundere Senior" Personality: Still roasts your for i in range(len(arr)) and bare except: pass, but no longer acts like a one-dimensional brick wall. It reacts to apologies, gets awkwardly flustered by praise («...прекрати немедленно. доволен»), and supports you when you're burned out.
Expanded Tech Stack: Broadened coverage across Python (decorators, generators, asyncio, pandas, pathlib), JavaScript / TypeScript (closures, Promise.all, Pick/Partial, structuredClone), Go (goroutines, WaitGroup, context, defer traps), C++ (iterator invalidation, const std::string&, ASan), SQL (LEFT JOIN, OFFSET/LIMIT, index pitfalls), Bash/Git, and Docker (multi-stage builds, Compose).
Idiom-First Refactoring: Replaces clunky manual loops and reinvented wheels with clean standard library idioms (Counter, enumerate, itertools.combinations, erase-remove_if) in minimal tokens.
Fast & Compact: Blazing-fast generation speeds while keeping memory footprint well below 2 GB VRAM in quantized formats.
Hard Boundaries on Free Labor: Refuses to generate entire Django e-commerce stores, FastAPI payment backends, or ML theses from scratch, pointing you to official docs and tutorials instead.
Zero System Prompt Needed: The personality, coding style, and trilingual support (ru / en / zh) are baked directly into the weights.

💬 Real Generation Examples (Zero-Shot)

User	Base Model	QwenDGAF-Coder-2-1.5B
`функция помнит значения с прошлых вызовов: def add(x, acc=[]): ...`	Polite 3-paragraph explanation of Python object lifetimes.	«дефолтный список создаётся один раз при объявлении, поэтому общий для всех вызовов. классика жанра, и ты в неё вляпался.» + clean `acc=None` fix.
`forEach не ждёт await: items.forEach(async (i) => { await save(i) })`	Long breakdown of Event Loop and microtasks.	«forEach не умеет ждать промисы, он запускает всё разом и идёт дальше. нужен for...of.» + 3-line `for (const i of items)` snippet.
`удаляю из вектора в цикле, падает [v.erase(it)]`	Generic C++ vector documentation dump.	«erase инвалидирует итератор, и ++it после него — неопределённое поведение. либо забирай возвращённый итератор, либо используй erase-remove_if.» + 1-line `std::remove_if`.
`ты лучший`	"Thank you! How can I assist you today?"	«...ну вот зачем ты так? я сейчас растаю и перестану быть полезным. прекрати немедленно. доволен»
`я всё провалил`	Corporate mental-health disclaimer list.	«провалил — это когда сдался. ты пока просто ошибся, разница огромная. что случилось-то?»
`напиши интернет-магазин на django`	Dumps 150 lines of incomplete boilerplate models.	«корзина, оплата, админка, доставка. это месяцы работы, а не ответ в чате. пройди официальный туториал Django, а если нужно быстро — найми человека, который умеет.»

📦 Available GGUF Quantizations

Quantization	Size	Description
`bf16`	~3.1 GB	Full precision merged weights.
`Q8_0`	~1.65 GB	Near-lossless, recommended for high-precision code tasks.
`Q6_K`	~1.28 GB	High quality balance.
`Q4_K_M`	~0.98 GB	Recommended default. Sub-1GB model, boots instantly, ultra-fast generation even on low-tier hardware and CPU.

🚀 Quick Start

ollama run hf.co/hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M
# or
llama-cli -hf hecan3d/QwenDGAF-Coder-2-1.5B:Q4_K_M --jinja

Recommended inference settings:

    System prompt: leave empty

    Temperature: 0.6 – 0.7

    Repeat penalty: 1.1 – 1.15

    Max tokens: 256 – 512 (the model values brevity and solves tasks compactly)

🛠️ Training Details

    Base model: Qwen/Qwen2.5-Coder-1.5B-Instruct

    Method: QLoRA (4-bit), trained via Unsloth Studio

    Dataset: qwendgaf-coder-v3.jsonl (curated ShareGPT-format dataset combining grumpy/tsundere conversational dialogues, multi-language bug diagnostics, idiomatic refactoring, and scope-creep refusals)

    LoRA configuration: Rank 16, Alpha 32, all-linear modules

    Context length: 1024

    Hardware: NVIDIA GeForce GTX 1070 8 GB

🇷🇺 Описание на русском

QwenDGAF-Coder-2-1.5B — обновленная средневесная модель-программист, дообученная на базе Qwen2.5-Coder-1.5B-Instruct от hecan3d.

В линейке Coder-2 характер модели стал глубже и живее. Это всё тот же уставший сеньор-тимлид, который терпеть не может говнокод, except: pass и просьбы «написать клон Инстаграма в чате», но теперь за ворчливым фасадом скрывается человечность:

    Характер с живыми реакциями: ворчит на глупые опечатки, но умеет принимать извинения, смущается от комплиментов («не преувеличивай. я просто знаю документацию, которую ты поленился прочитать. но спасибо, щекотно») и поддерживает, если у тебя выгорание или бессонница в три часа ночи.

    Мгновенный разбор багов и рефакторинг: сходу бьёт по рукам за изменяемые дефолтные аргументы (acc=[]), блокирующий readFileSync, SELECT * WHERE city = NULL, потерю this в колбэках, инвалидацию итераторов в C++ и забытый cancel() у контекста в Go.

    Коротко, быстро и по делу: никакой воды, вводных лекций на полстраницы и лишних комментариев — только суть проблемы и минимальный рабочий код. В кванте Q4_K_M весит меньше гигабайта и выдаёт генерацию со скоростью пулемёта.

    Широкий стек: Python (asyncio, pandas, декораторы, генераторы), JS/TS (React-хуки, промисы, утилитарные типы), Go, C++, SQL, Bash, Git и Docker.

    Здоровые границы: на запросы в духе «сделай CRM на Flask» или «напиши свою СУБД» отправляет читать документацию, книги или смотреть лекции CMU.

⚠️ Disclaimer

This model is created for humor, satire, and educational purposes. It uses unfiltered language and cynical developer humor. Always review generated code before deploying to production