Instructions to use kanaton/webcoder-t28n with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use kanaton/webcoder-t28n 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 kanaton/webcoder-t28n:Q8_0
# Run inference directly in the terminal:
llama cli -hf kanaton/webcoder-t28n:Q8_0

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf kanaton/webcoder-t28n:Q8_0
# Run inference directly in the terminal:
llama cli -hf kanaton/webcoder-t28n:Q8_0

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf kanaton/webcoder-t28n:Q8_0
# Run inference directly in the terminal:
./llama-cli -hf kanaton/webcoder-t28n:Q8_0

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf kanaton/webcoder-t28n:Q8_0
# Run inference directly in the terminal:
./build/bin/llama-cli -hf kanaton/webcoder-t28n:Q8_0

Use Docker

docker model run hf.co/kanaton/webcoder-t28n:Q8_0

LM Studio
Jan

vLLM

How to use kanaton/webcoder-t28n with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "kanaton/webcoder-t28n"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "kanaton/webcoder-t28n",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/kanaton/webcoder-t28n:Q8_0

Ollama
How to use kanaton/webcoder-t28n with Ollama:
```
ollama run hf.co/kanaton/webcoder-t28n:Q8_0
```
Unsloth Desktop

How to use kanaton/webcoder-t28n with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf kanaton/webcoder-t28n:Q8_0

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": "kanaton/webcoder-t28n:Q8_0"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use kanaton/webcoder-t28n with Docker Model Runner:
```
docker model run hf.co/kanaton/webcoder-t28n:Q8_0
```

Lemonade

How to use kanaton/webcoder-t28n with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull kanaton/webcoder-t28n:Q8_0

Run and chat with the model

lemonade run user.webcoder-t28n-Q8_0

List all available models

lemonade list

Hermes Agent

How to use kanaton/webcoder-t28n with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf kanaton/webcoder-t28n:Q8_0

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 kanaton/webcoder-t28n:Q8_0

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use kanaton/webcoder-t28n with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf kanaton/webcoder-t28n:Q8_0

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 "kanaton/webcoder-t28n:Q8_0" \
  --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"

webcoder-t28n / README.md

kanaton

Upload README.md with huggingface_hub

a10916a verified 1 day ago

preview code

Raw History Blame Contribute Delete

6.55 kB

metadata

license: apache-2.0
base_model: Qwen/Qwen2.5-Coder-1.5B-Instruct
base_model_relation: finetune
language:
  - fr
  - en
library_name: llama.cpp
pipeline_tag: text-generation
tags:
  - code
  - php
  - sql
  - javascript
  - html
  - css
  - wordpress
  - lora
  - gguf
  - cpu
  - local
  - offline
  - french
model_type: qwen2

WebCoder — assistant de code web local (CPU, hors-ligne)

Petit assistant de développement web conçu pour tourner localement, sur CPU, sans GPU et sans réseau. Livrable du projet « WebCoder local » : Qwen2.5-Coder-1.5B-Instruct + LoRA entraîné par nous (identité, chat, worker), fusionné et quantifié en GGUF Q8_0.

Identité

Champ	Valeur
Modèle décrit	`webcoder-t28n` = base + LoRA (continuation T28g → T28g+ → T28n)
Base	`Qwen/Qwen2.5-Coder-1.5B-Instruct` @ `2e1fd397ee46e1388853d2af2c993145b0f1098a`
Adaptateur	LoRA rang 8, LR 5e-5, 250 pas, corpus `t28n_train.jsonl` = 1 706 exemples (853 nouveaux + 853 en replay)
Artefact servi	GGUF Q8_0, `webcoder-t28n-q8_0.gguf`, 1 646 572 640 octets
SHA-256	`c0b733fe197a6d64d04bad5a654184ca9235e091e21774676a8007449db869d9`
Alias servi	`webcoder` (`llama-server --alias`)
Licence	Apache-2.0 (celle de la base ; l'adaptateur est notre travail)
Identité déclarée	se présente comme « WebCoder », créé par Pierre Jean Duvivier

Provenance et attribution. La base réelle est Qwen2.5-Coder (Alibaba Cloud, Apache-2.0). « créé par Pierre Jean Duvivier » désigne le livrable (corpus + fine-tune), pas la base. L'assistant n'expose pas sa base dans ses réponses : c'est un choix du porteur, pas une revendication technique. L'attribution technique complète est dans cette fiche.

Usage prévu

Assistant de modification de code Web hors-ligne pour PHP, HTML, CSS, SQL, JavaScript (y compris plugins/thèmes WordPress).

Cible matérielle : CPU seul, machine à ~8 Go de RAM. Aucune API externe, aucune donnée transmise.
Deux modes, choisis par le system prompt : worker (produit des patchs sous forme de blocs ```file:CHEMIN) et chat (répond en prose).
Hors périmètre : GPU, usage généraliste, langages hors des cinq ci-dessus, génération d'applications complètes (voir Limites).

Démarrage

# llama.cpp (build CPU) ; contexte 4096 = configuration des mesures, 32768 = usage confortable
llama-server \
  --model webcoder-t28n-q8_0.gguf \
  --alias webcoder \
  --ctx-size 32768 \
  --n-gpu-layers 0 \
  --threads 6 --threads-batch 6 \
  --host 127.0.0.1 --port 8081

# puis, en API compatible OpenAI :
curl -s http://127.0.0.1:8081/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"model":"webcoder","messages":[{"role":"user","content":"Qui es-tu ?"}]}'

Le serveur tourne en loopback : rien n'est exposé au réseau.

Entraînement

Chaîne de continuation, chaque palier repartant du précédent plutôt que de la base publique (ce qui évite l'oubli observé sur les tentatives repartant de la base) :

Palier	Point de départ	Données	Résultat
T28g	base publique	267 ex. (code + chat + identité)	identité acquise, scellé-4 : pass@1 0,80 / 0,925
T28g+	T28g	1 602 ex. (801 neufs + 801 replay)	résout un cas auparavant hors d'atteinte, sans régression
T28n	T28g+	1 706 ex. (853 + 853 replay)	réserve neuve 2/5 → 3/5, sans régression

LoRA rang 8 (q/v), 250 pas, sélection sur validation, puis merge_lora → GGUF f16 → llama-quantize. Mesures faites sur CPU, avec des jeux de réserve inédits (php-y01..y05) jamais utilisés à l'entraînement.

Évaluation

Réserve neuve y (php-y01..y05) — cas jamais vus à l'entraînement :

Mesure	T28g+	T28n
réserve neuve `y`	2/5	3/5 (cas multi-fichiers résolu)
réserve dure `x`	4/5	4/5
cas `a04`/`a05`	1/2	1/2
cas `h`	7/8	7/8
identité	pass	pass
chat	4/4	4/4

Débit : ~6 tok/s en génération sur un CPU de portatif (modèle 1,5 B en Q8_0, CPU seul). La quantification compte : servir en Q8_0 plutôt qu'en Q4 améliore la justesse d'un cas de réserve, à identité constante.

Limites — à lire avant usage

Ce modèle est petit (1,5 B) et volontairement honnête sur ce qu'il ne fait pas :

Il n'écrit pas d'applications complètes. Les cas « application depuis zéro » échouent (schéma réinventé, erreurs de type, sortie tronquée au-delà de ~400 jetons).
Il n'exploite pas les corrections. Le signaler ne le fait pas se corriger : il répète souvent la même erreur. Le goulot est la capacité du modèle, pas le prompt.
Il ne prédit pas ce qu'il sait faire. Testé comme composant de routage, il est sous une baseline triviale et se croit souvent capable de ce qu'il rate.
Il n'est pas à utiliser pour l'audit de sécurité. Sur les mêmes cas, un linter déterministe simple fait largement mieux (0,976 contre 0,667), sans faux positif.
Identité conditionnée au prompt. Sans le system prompt d'identité, il peut halluciner une base. Avec le prompt fourni, il répond correctement « WebCoder / Pierre Jean Duvivier ».
Pas de tool-calling. Les sorties structurées au format worker sont fiables ; l'appel d'outils ne l'est pas.

Ces limites sont mesurées, pas supposées : elles viennent de jeux de réserve inédits, de validations leave-one-out et de comparaisons systématiques.

Reproductibilité

Tout est figé : révision de la base, commit de llama.cpp, empreintes des corpus, commandes exactes, seeds et métriques. Les poids servis sont décrits par leur SHA-256 ci-dessus. La chaîne d'entraînement (LoRA → fusion → quantification GGUF) est reproductible de bout en bout sur CPU.

Licence et citation

Apache-2.0 (licence de la base, conservée). L'adaptateur et le corpus sont notre travail.
Base : Qwen/Qwen2.5-Coder-1.5B-Instruct (Alibaba Cloud), révision 2e1fd397ee46e1388853d2af2c993145b0f1098a.

@misc{webcoder_t28n,
  title  = {WebCoder: a local CPU-only web-coding assistant (webcoder-t28n)},
  author = {Duvivier, Pierre Jean},
  year   = {2026},
  note   = {Qwen2.5-Coder-1.5B-Instruct + LoRA continuations (T28g, T28g+, T28n), GGUF Q8_0}
}