🛡️ Qwen2.5-Coder-3B-Pentest (Red Team Copilot)

[English Version below | Versión en Español más abajo]

---

🇬🇧 English Version

This model is a specialized fine-tuning of Qwen 2.5 Coder 3B Instruct, designed to act as a Tactical Copilot ("Hacking Buddy") for offensive cybersecurity tasks, vulnerability analysis, and terminal command automation.

Being available in GGUF format and highly lightweight, it is strongly optimized for deployment in Edge AI environments (100% offline), such as Raspberry Pi or mobile devices integrated with C++ engines like llama.cpp or lite-cpp-ai.

🎯 Model Objective

Unlike a generalist LLM, this model has been fine-tuned to:

• Technical Accuracy: Generate exact flags for terminal tools (nmap, netcat, tcpdump, iptables).
• Offensive/Defensive Scripts: Automate security tasks in Python (e.g., using scapy, requests).
• Rapid Analysis: Interpret network traces and security logs.

🛠️ Training Details

• Base Model: Qwen/Qwen2.5-Coder-3B-Instruct
• Technique: QLoRA (Rank 32, Alpha 32)
• Framework: Unsloth
• Dataset: tuandunghcmut/Trendyol-Cybersecurity-Instruction-Tuning-Dataset
• Training Hardware: NVIDIA RTX 4080 (Local)

💻 How to Use

Option A: Offline Use (Recommended - GGUF)

The repository includes the quantized file Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf. You can run it with llama.cpp:

./llama-cli -m Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf -p "Write an nmap command to scan for hidden UDP ports."

Option B: Use with Transformers (Python)

You can load the full tensors (.safetensors) using the standard Hugging Face library:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "k3ssdev/Qwen2.5-Coder-3B-Pentest"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

prompt = "Generate a Python script to discover hosts on a local network."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0]))

⚠️ Legal and Intended Use Disclaimer

This model is provided EXCLUSIVELY for educational purposes, research, and authorized security audits (Red Teaming / Blue Teaming).

• The model lacks certain alignment filters (censorship) in order to analyze malicious code and generate Proof of Concepts (PoCs).
• The user is solely responsible for ensuring they have explicit and legal permission to evaluate or attack any network infrastructure.
• The creator of this model is not responsible for any direct or indirect damage resulting from the misuse of the commands or scripts generated by this AI.

---

🇪🇸 Versión en Español

Este modelo es un fine-tuning especializado de Qwen 2.5 Coder 3B Instruct, diseñado para actuar como un Copiloto Táctico ("Hacking Buddy") en tareas de ciberseguridad ofensiva, análisis de vulnerabilidades y automatización de comandos de terminal.

Al estar disponible en formato GGUF y pesar poco, está fuertemente optimizado para ser desplegado en entornos Edge AI (100% offline), como Raspberry Pi o dispositivos móviles integrados con motores C++ como llama.cpp o lite-cpp-ai.

🎯 Objetivo del Modelo

A diferencia de un LLM generalista, este modelo ha sido ajustado para:

• Precisión Técnica: Generar flags exactas para herramientas de terminal (nmap, netcat, tcpdump, iptables).
• Scripts Ofensivos/Defensivos: Automatizar tareas de seguridad en Python (ej. uso de scapy, requests).
• Análisis Rápido: Interpretar trazas de red y logs de seguridad.

🛠️ Detalles del Entrenamiento

• Modelo Base: Qwen/Qwen2.5-Coder-3B-Instruct
• Técnica: QLoRA (Rank 32, Alpha 32)
• Framework: Unsloth
• Dataset: tuandunghcmut/Trendyol-Cybersecurity-Instruction-Tuning-Dataset
• Hardware de Entrenamiento: NVIDIA RTX 4080 (Local)

💻 Cómo utilizarlo

Opción A: Uso Offline (Recomendado - GGUF)

El repositorio incluye el archivo cuantizado Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf. Puedes ejecutarlo con llama.cpp:

./llama-cli -m Qwen2.5-Coder-3B-Pentest-Q4_K_M.gguf -p "Escribe un comando nmap para escanear puertos UDP ocultos."

Opción B: Uso con Transformers (Python)

Puedes cargar los tensores completos (.safetensors) usando la librería estándar de Hugging Face:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "k3ssdev/Qwen2.5-Coder-3B-Pentest"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

prompt = "Genera un script en Python para descubrir hosts en una red local."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0]))

⚠️ Disclaimer Legal y de Uso (Intended Use)

Este modelo se proporciona EXCLUSIVAMENTE con fines educativos, de investigación y para auditorías de seguridad autorizadas (Red Teaming / Blue Teaming).

• El modelo carece de ciertos filtros de alineación (censura) para poder analizar código malicioso y generar pruebas de concepto (PoCs).
• El usuario es el único responsable de asegurar que tiene permiso explícito y legal para evaluar o atacar cualquier infraestructura de red.
• El creador del modelo no se hace responsable de los daños directos o indirectos derivados del mal uso de los comandos o scripts generados por esta IA.