jumplander/jumplander-mini-lm-v1

---

license: apache-2.0 language:

• fa library_name: transformers datasets:
• jumplander/JumpLander-Persian-Forum-mini-Dataset tags:
• persian
• farsi
• programming
• coding
• code-generation
• programming-education
• educational-ai
• language-model
• text-generation
• transformers
• jumplander pipeline_tag: text-generation

---

Jumplander Mini LM v1

A Persian-first language model for programming education, developer learning, and AI-assisted software explanations.

Website · Hugging Face · Training Dataset · GitHub · Dev.to

---

Model Overview

Jumplander Mini LM v1 is an experimental Persian-first language model developed as part of the JumpLander Programming Intelligence research initiative.

The model is designed to support Persian-language programming education, developer learning, technical explanation, code-oriented question answering, and educational content generation. It focuses on helping Persian-speaking learners understand programming concepts through natural explanations, examples, exercises, and structured guidance.

This release is an early research model in the JumpLander ecosystem. It is not presented as a production-grade coding agent or a replacement for professional software engineering review. Instead, it serves as a foundation for future Persian-focused programming models, educational assistants, dataset experiments, and AI systems for programming intelligence.

JumpLander’s broader mission is to build research assets, datasets, tools, and AI systems that improve how developers learn, reason about, and build software.

---

What This Model Is Designed For

Jumplander Mini LM v1 is primarily designed for Persian programming education.

It can be used for tasks such as:

• Explaining programming concepts in Persian
• Generating beginner-friendly coding examples
• Creating short educational lessons
• Producing exercises and practice questions
• Explaining algorithms step by step
• Helping learners understand code snippets
• Writing Persian documentation drafts
• Translating simple programming explanations into Persian
• Supporting educational assistants, forums, and coding wikis

The model is especially useful for projects that need Persian-language technical explanations rather than only English-centric programming support.

---

Core Capabilities

Persian Programming Explanations

The model can generate Persian explanations for programming concepts such as variables, functions, loops, conditionals, arrays, objects, classes, recursion, algorithms, and basic software engineering patterns.

Example use cases:

• Explain Python lists in Persian
• Describe how a loop works
• Teach recursion with a simple example
• Explain the difference between a function and a method
• Summarize a code snippet for beginners

---

Educational Code Examples

The model can generate small code examples with Persian explanations. This makes it useful for tutorial writing, programming courses, and educational platforms.

Example prompt:

یک مثال ساده از تابع در پایتون بنویس و خط‌به‌خط توضیح بده.

Possible output style:

در پایتون، تابع برای گروه‌بندی بخشی از کد استفاده می‌شود تا بتوانیم آن را چندین بار اجرا کنیم.

```python
def greet(name):
    return "سلام " + name

print(greet("Ali"))

در این مثال، تابع greet یک ورودی به نام name دریافت می‌کند و یک پیام سلام برمی‌گرداند.

---

## Exercise Generation

The model can help generate educational exercises for learners.

Example tasks:

- Create a Python loop exercise
- Generate a JavaScript function practice question
- Write a beginner-level algorithm problem
- Produce a short quiz about variables
- Create a solution explanation for a coding exercise

---

## Code Explanation and Documentation Support

The model can be used to draft Persian explanations for code comments, documentation, and learning materials.

It may help with:

- Explaining what a function does
- Writing Persian comments for simple code
- Creating tutorial-style documentation
- Turning code snippets into educational content
- Simplifying technical concepts for beginners

---

# Intended Use

This model is recommended for:

- Persian programming education platforms
- AI-assisted learning tools
- Coding tutorial generation
- Persian developer documentation
- Technical Q&A assistants
- Programming forums and community knowledge bases
- Dataset experiments for Persian coding tasks
- Research into multilingual programming intelligence

---

# Out-of-Scope Use

This model is **not recommended** for:

- Production code generation without human review
- Security-critical software development
- Legal, medical, financial, or safety-critical decisions
- Autonomous execution of generated code
- Extracting private or personal information
- Replacing expert engineering judgment
- Generating malware, harmful automation, or unsafe code

All generated code should be reviewed, tested, and validated before use.

---

# Training Dataset

The primary dataset associated with this release is:

**JumpLander Persian Forum Mini Dataset**  
https://huggingface.co/datasets/jumplander/JumpLander-Persian-Forum-mini-Dataset

The dataset is designed around Persian programming discussions, educational posts, question-answer structures, and code-oriented learning content.

The training data focuses on:

- Persian programming explanations
- Developer questions and answers
- Educational code snippets
- Beginner-friendly technical explanations
- Programming forum-style content
- Structured learning patterns

---

# Data Processing

The dataset preparation process focuses on preserving educational value while improving structure and safety.

Preprocessing goals include:

- Preserving code blocks and formatting
- Keeping Persian technical explanations readable
- Reducing noisy or low-value text
- Structuring content around learning tasks
- Removing or masking sensitive personal information where possible
- Separating explanation, example, exercise, and answer patterns
- Preparing mixed Persian and code text for language model training

Because this is an early research model, users should inspect both the model behavior and dataset properties before deploying it in real learning environments.

---

# Architecture

Jumplander Mini LM v1 is designed as a decoder-only text generation model using the Hugging Face Transformers ecosystem.

The model is intended for causal language modeling tasks such as:

- Text completion
- Instruction-style response generation
- Persian explanation generation
- Educational content generation
- Code-related text generation

## Technical Summary

| Field | Description |
|---|---|
| Model type | Causal language model |
| Main language | Persian / Farsi |
| Domain | Programming education |
| Library | Transformers |
| Pipeline | Text generation |
| Dataset | JumpLander Persian Forum Mini Dataset |
| License | Apache 2.0 |
| Status | Research release |

Exact architectural details, checkpoint size, tokenizer configuration, and training parameters should be verified from the uploaded model files and configuration files.

---

# Installation

Install the required libraries:

```bash
pip install transformers torch accelerate

For GPU inference, install the PyTorch version compatible with your CUDA environment.

---

Quick Start

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "jumplander/jumplander-mini-lm-v1"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype=torch.float16
)

prompt = """
یک تابع ساده در پایتون بنویس که عدد زوج یا فرد بودن یک عدد را تشخیص دهد.
کد را همراه با توضیح فارسی بنویس.

پاسخ:
"""

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=256,
    temperature=0.3,
    top_p=0.9,
    do_sample=True,
    pad_token_id=tokenizer.eos_token_id
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

---

Inference API Example

import requests

API_TOKEN = "hf_your_api_token_here"
model_id = "jumplander/jumplander-mini-lm-v1"

headers = {
    "Authorization": f"Bearer {API_TOKEN}"
}

payload = {
    "inputs": "یک مثال کوتاه از حلقه for در پایتون بنویس و به فارسی توضیح بده."
}

response = requests.post(
    f"https://api-inference.huggingface.co/models/{model_id}",
    headers=headers,
    json=payload,
    timeout=120
)

print(response.json())

---

Prompting Guidelines

For better results, use clear Persian prompts with a defined output structure.

Recommended Prompt Format

موضوع: لیست‌ها در پایتون
سطح: مبتدی
خروجی موردنظر:
1. توضیح کوتاه
2. مثال کد
3. توضیح خط‌به‌خط
4. تمرین ساده
5. پاسخ تمرین

Example Prompt

یک درس کوتاه درباره تابع‌ها در پایتون برای یک دانشجوی مبتدی بنویس.
خروجی شامل توضیح، مثال کد، تمرین و پاسخ تمرین باشد.

Code Explanation Prompt

کد زیر را به زبان فارسی برای یک برنامه‌نویس مبتدی توضیح بده:

```python
def add(a, b):
    return a + b

---

# Example Use Cases

## 1. Persian Programming Tutor

The model can be used as the base of a Persian AI tutor that explains programming concepts in simple language.

Example:

```text
متغیر در برنامه‌نویسی چیست؟ با مثال پایتون توضیح بده.

---

2. Educational Content Generator

The model can generate structured programming lessons for blogs, LMS platforms, and educational documentation.

Example:

یک درس آموزشی درباره شرط if در جاوااسکریپت بنویس.

---

3. Coding Forum Assistant

The model can help draft initial answers for Persian programming forums.

Example:

چرا در پایتون خطای IndexError می‌گیرم؟ با مثال توضیح بده.

---

4. Exercise Builder

The model can generate beginner-level exercises and solutions.

Example:

سه تمرین ساده درباره حلقه while در پایتون طراحی کن و جواب هرکدام را بنویس.

---

Evaluation

This release should be evaluated through both automated and human review.

Suggested Automated Metrics

• Perplexity on held-out Persian programming text
• Exact match for simple educational tasks
• pass@k for small code-generation problems
• Code execution success rate for generated examples
• Format preservation for code blocks

Suggested Human Evaluation

Human evaluation is especially important for this model because the target domain is educational.

Recommended criteria:

• Accuracy of Persian technical explanations
• Clarity for beginner learners
• Correctness of generated code
• Usefulness of examples
• Quality of exercise design
• Avoidance of misleading explanations
• Persian fluency and readability

---

Limitations

Jumplander Mini LM v1 is an early research model and has several important limitations.

Possible Hallucinations

The model may generate confident but incorrect technical explanations. All outputs should be reviewed before publication or teaching use.

Code May Be Incorrect

Generated code may contain syntax errors, logic errors, outdated patterns, or incomplete implementations.

Always test generated code before using it.

Limited Production Reliability

This model is not designed to replace production-grade development tools, security scanners, or expert code review.

Dataset Bias

The model may reflect patterns, mistakes, or biases present in the training data.

Persian-Focused Behavior

The model is optimized for Persian-language educational content. Its English and multilingual performance may be limited.

No Guaranteed Security

The model should not be trusted for secure code generation without additional security analysis and human review.

---

Safety Considerations

Users should follow safe usage practices:

• Do not execute generated code without review.
• Do not use outputs for safety-critical decisions.
• Do not rely on the model for legal, medical, or financial advice.
• Do not request personal data extraction.
• Do not use the model for harmful automation.
• Validate code examples before publishing them.
• Add human review before using generated content in educational products.

---

Research Context

Jumplander Mini LM v1 is part of the broader JumpLander research direction: AI systems for programming intelligence.

JumpLander is exploring how datasets, models, agents, and developer tools can improve software engineering workflows.

Current research areas include:

• Persian programming education
• Code-focused dataset engineering
• Developer learning systems
• Programming agents
• Code explanation models
• AI-assisted documentation
• Evaluation of educational coding models
• Multilingual programming intelligence

This model is a foundational step toward more capable Persian and code-aware AI systems.

---

Roadmap

Planned future directions include:

• Larger Persian programming datasets
• Improved instruction tuning
• Better code formatting preservation
• Evaluation with executable coding tasks
• Fine-tuned variants for Python, JavaScript, and web development
• Lightweight models for educational platforms
• Integration with Persian developer forums
• Better benchmark reporting
• Safety and bias evaluation
• More transparent training documentation

Future releases may include specialized variants for:

• Python education
• JavaScript education
• PHP and web development
• Algorithm explanation
• Debugging assistance
• Persian developer Q&A
• Code review education

---

Official Resources

JumpLander Website

https://jumplander.org

Hugging Face Organization

https://huggingface.co/jumplander

Dataset

https://huggingface.co/datasets/jumplander/JumpLander-Persian-Forum-mini-Dataset

GitHub

https://github.com/jumplander-readme

Dev.to

https://dev.to/jumplander

---

Citation

If you use this model or dataset in research, educational tools, or derivative work, please cite it as:

@misc{jumplander2026minilm,
  title        = {Jumplander Mini LM v1: A Persian-First Language Model for Programming Education},
  author       = {JumpLander Research Team},
  year         = {2026},
  howpublished = {Hugging Face Model Hub},
  url          = {https://huggingface.co/jumplander/jumplander-mini-lm-v1}
}

---

License

This model card declares the license as:

Apache 2.0

Please verify that all training data, model weights, tokenizer files, and released artifacts are compatible with the selected license before public use or redistribution.

---

فارسی

جامپ‌لندر مینی LM نسخه ۱

یک مدل زبانی فارسی‌محور برای آموزش برنامه‌نویسی، توضیح کد، تولید تمرین و پشتیبانی از یادگیری توسعه نرم‌افزار

---

معرفی

Jumplander Mini LM v1 یک مدل زبانی فارسی‌محور و تحقیقاتی است که به عنوان بخشی از مسیر پژوهشی JumpLander Programming Intelligence توسعه داده شده است.

هدف این مدل، کمک به آموزش برنامه‌نویسی برای کاربران فارسی‌زبان است. این مدل می‌تواند مفاهیم برنامه‌نویسی را توضیح دهد، مثال کدنویسی تولید کند، تمرین طراحی کند، پاسخ آموزشی بنویسد و در ساخت دستیارهای آموزشی فارسی مورد استفاده قرار بگیرد.

این مدل یک انتشار اولیه و تحقیقاتی است. بنابراین نباید به عنوان ابزار قطعی تولید کد، جایگزین برنامه‌نویس حرفه‌ای، یا سیستم قابل اتکا برای محیط‌های حساس استفاده شود. خروجی‌های مدل باید بررسی، تست و اصلاح شوند.

---

کاربرد اصلی

این مدل برای تولید محتوای آموزشی فارسی در حوزه برنامه‌نویسی طراحی شده است.

کاربردهای پیشنهادی:

• توضیح مفاهیم برنامه‌نویسی به فارسی
• تولید مثال‌های ساده کدنویسی
• ساخت درس‌های کوتاه آموزشی
• تولید تمرین و پاسخ تشریحی
• توضیح الگوریتم‌ها
• توضیح کد برای افراد مبتدی
• کمک به نوشتن مستندات فارسی
• تولید پاسخ اولیه برای فروم‌های برنامه‌نویسی
• ساخت دستیار آموزشی فارسی

---

قابلیت‌ها

توضیح مفاهیم برنامه‌نویسی

مدل می‌تواند مفاهیمی مانند متغیر، تابع، حلقه، شرط، آرایه، شیء، کلاس، بازگشت، الگوریتم و ساختارهای پایه نرم‌افزار را به فارسی توضیح دهد.

تولید مثال کد

مدل می‌تواند مثال‌های ساده در زبان‌هایی مانند Python و JavaScript تولید کند و توضیح فارسی همراه آن بنویسد.

تولید تمرین آموزشی

مدل می‌تواند برای موضوعات پایه برنامه‌نویسی تمرین طراحی کند و پاسخ تشریحی ارائه دهد.

توضیح کد

مدل می‌تواند قطعه‌کدهای ساده را تحلیل کند و به زبان فارسی توضیح دهد که هر بخش از کد چه کاری انجام می‌دهد.

---

موارد استفاده پیشنهادی

• پلتفرم‌های آموزش برنامه‌نویسی فارسی
• دستیارهای آموزشی هوش مصنوعی
• تولید محتوای آموزشی برای وبلاگ‌ها
• مستندات فارسی توسعه نرم‌افزار
• فروم‌ها و انجمن‌های برنامه‌نویسی
• ابزارهای کمک‌آموزشی برای دانشجویان
• پروژه‌های تحقیقاتی در حوزه مدل‌های فارسی و کدنویسی

---

موارد نامناسب

از این مدل نباید برای موارد زیر استفاده شود:

• تولید مستقیم کد production بدون بازبینی
• سیستم‌های حساس امنیتی
• تصمیمات پزشکی، حقوقی، مالی یا حیاتی
• اجرای خودکار کدهای تولیدشده
• استخراج اطلاعات شخصی
• جایگزینی کامل بازبینی انسانی
• تولید بدافزار یا اتوماسیون آسیب‌زا

---

داده آموزشی

دیتاست اصلی مرتبط با این مدل:

JumpLander Persian Forum Mini Dataset https://huggingface.co/datasets/jumplander/JumpLander-Persian-Forum-mini-Dataset

این دیتاست شامل محتوای فارسی مرتبط با برنامه‌نویسی، پرسش‌وپاسخ، توضیحات آموزشی، نمونه‌های کد و الگوهای فروم‌محور است.

تمرکز دیتاست روی موارد زیر است:

• توضیح برنامه‌نویسی به فارسی
• پرسش و پاسخ توسعه‌دهندگان
• مثال‌های آموزشی
• محتوای مناسب برای یادگیری
• الگوهای آموزشی فارسی
• متن ترکیبی فارسی و کد

---

پردازش داده

در آماده‌سازی داده، تمرکز روی حفظ کیفیت آموزشی و ساختار متن بوده است.

اهداف پردازش داده:

• حفظ ساختار کدها
• حفظ خوانایی توضیحات فارسی
• کاهش متن‌های کم‌ارزش یا نویزی
• ساختاردهی محتوا برای یادگیری
• حذف یا ماسک‌کردن اطلاعات حساس تا حد امکان
• جداسازی الگوهای توضیح، مثال، تمرین و پاسخ
• آماده‌سازی متن ترکیبی فارسی و کدنویسی برای آموزش مدل

---

مشخصات فنی

بخش	توضیح
نوع مدل	مدل زبانی causal
زبان اصلی	فارسی
حوزه	آموزش برنامه‌نویسی
کتابخانه	Transformers
نوع pipeline	text-generation
دیتاست	JumpLander Persian Forum Mini Dataset
مجوز	Apache 2.0
وضعیت	انتشار تحقیقاتی

جزئیات دقیق معماری، اندازه مدل، تنظیمات توکنایزر و پارامترهای آموزش باید بر اساس فایل‌های واقعی مدل و config منتشرشده بررسی شوند.

---

نصب

pip install transformers torch accelerate

---

شروع سریع

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "jumplander/jumplander-mini-lm-v1"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype=torch.float16
)

prompt = """
یک تابع ساده در پایتون بنویس که زوج یا فرد بودن یک عدد را تشخیص دهد.
کد را همراه با توضیح فارسی بنویس.

پاسخ:
"""

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=256,
    temperature=0.3,
    top_p=0.9,
    do_sample=True,
    pad_token_id=tokenizer.eos_token_id
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

---

قالب پیشنهادی پرامپت

برای گرفتن خروجی بهتر، پرامپت را شفاف و ساختاریافته بنویسید.

موضوع: حلقه for در پایتون
سطح: مبتدی
خروجی موردنظر:
1. توضیح کوتاه
2. مثال کد
3. توضیح خط‌به‌خط
4. تمرین ساده
5. پاسخ تمرین

---

نمونه کاربردها

دستیار آموزشی فارسی

متغیر در برنامه‌نویسی چیست؟ با مثال پایتون توضیح بده.

تولید درس آموزشی

یک درس کوتاه درباره شرط if در جاوااسکریپت بنویس.

توضیح خطا

خطای IndexError در پایتون یعنی چه؟ با مثال توضیح بده.

تولید تمرین

سه تمرین ساده درباره حلقه while در پایتون طراحی کن و جواب هرکدام را بنویس.

---

ارزیابی

برای ارزیابی این مدل، ترکیبی از معیارهای ماشینی و بررسی انسانی پیشنهاد می‌شود.

معیارهای ماشینی پیشنهادی

• Perplexity روی داده فارسی برنامه‌نویسی
• نرخ اجرای موفق کدهای ساده
• حفظ قالب‌بندی بلوک‌های کد
• exact match برای تمرین‌های ساده
• pass@k برای مسائل کوچک کدنویسی

ارزیابی انسانی

• صحت فنی توضیحات فارسی
• قابل فهم بودن برای افراد مبتدی
• درست بودن کدهای تولیدشده
• کیفیت مثال‌ها
• کیفیت تمرین‌ها
• روانی زبان فارسی
• عدم تولید توضیح گمراه‌کننده

---

محدودیت‌ها

این مدل یک نسخه اولیه و تحقیقاتی است و محدودیت‌های مهمی دارد.

امکان خطا

مدل ممکن است توضیحاتی تولید کند که از نظر ظاهری درست اما از نظر فنی نادرست باشند.

کد تولیدی نیاز به تست دارد

کدهای تولیدشده ممکن است خطای نحوی، منطقی یا ساختاری داشته باشند.

مناسب production نیست

این مدل برای جایگزینی ابزارهای توسعه حرفه‌ای، امنیتی یا بازبینی تخصصی طراحی نشده است.

احتمال سوگیری داده

مدل ممکن است الگوها، اشتباهات یا سوگیری‌های داده آموزشی را بازتولید کند.

تمرکز فارسی

مدل برای محتوای فارسی آموزشی بهینه شده است و عملکرد آن در زبان‌های دیگر ممکن است محدود باشد.

---

نکات ایمنی

• کد تولیدشده را بدون بررسی اجرا نکنید.
• از مدل برای تصمیمات حساس استفاده نکنید.
• خروجی‌ها را قبل از انتشار بررسی کنید.
• از مدل برای استخراج اطلاعات شخصی استفاده نکنید.
• برای محتوای آموزشی، بازبینی انسانی ضروری است.
• در پروژه‌های امنیتی یا production، از ابزارهای تخصصی مکمل استفاده کنید.

---

مسیر پژوهشی JumpLander

این مدل بخشی از مسیر بزرگ‌تر JumpLander در حوزه Programming Intelligence است.

JumpLander روی ترکیب دیتاست‌ها، مدل‌ها، عامل‌های هوشمند، ابزارهای توسعه‌دهنده و زیرساخت‌های پژوهشی برای آینده مهندسی نرم‌افزار کار می‌کند.

حوزه‌های پژوهشی مرتبط:

• آموزش برنامه‌نویسی فارسی
• دیتاست‌های کدنویسی
• توضیح کد
• مدل‌های آموزشی
• دستیارهای برنامه‌نویسی
• تولید مستندات
• ارزیابی مدل‌های کدنویسی
• هوش مصنوعی برای مهندسی نرم‌افزار

---

نقشه راه

مسیرهای آینده:

• توسعه دیتاست‌های بزرگ‌تر فارسی
• بهبود instruction tuning
• حفظ بهتر قالب کد
• ارزیابی با تمرین‌های قابل اجرا
• نسخه‌های تخصصی برای Python و JavaScript
• مدل‌های سبک‌تر برای پلتفرم‌های آموزشی
• اتصال به فروم‌های برنامه‌نویسی فارسی
• انتشار benchmark شفاف‌تر
• بررسی ایمنی و سوگیری
• مستندسازی دقیق‌تر آموزش مدل

---

منابع رسمی

وب‌سایت

https://jumplander.org

Hugging Face

https://huggingface.co/jumplander

دیتاست

https://huggingface.co/datasets/jumplander/JumpLander-Persian-Forum-mini-Dataset

گیت‌هاب

https://github.com/jumplander-readme

Dev.to

https://dev.to/jumplander

---

استناد

@misc{jumplander2026minilm,
  title        = {Jumplander Mini LM v1: A Persian-First Language Model for Programming Education},
  author       = {JumpLander Research Team},
  year         = {2026},
  howpublished = {Hugging Face Model Hub},
  url          = {https://huggingface.co/jumplander/jumplander-mini-lm-v1}
}

---

مجوز

این مدل با مجوز زیر معرفی شده است:

Apache 2.0

قبل از انتشار عمومی یا استفاده تجاری، مطمئن شوید که دیتاست، وزن‌های مدل، فایل‌های توکنایزر و همه artifactهای منتشرشده با مجوز انتخاب‌شده سازگار هستند.

---

Final Note

Jumplander Mini LM v1 is an early research release created to support Persian programming education and the development of AI systems for programming intelligence.

It should be used carefully, reviewed by humans, and treated as a foundation for experimentation, learning tools, and future research rather than a final production-grade coding system.