File size: 1,229 Bytes
b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 b5feec9 83daad2 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 | ---
language:
- es
- en
license: apache-2.0
tags:
- code
- quantum
- qwen2
- python
- distillation
base_model: Qwen/Qwen2.5-Coder-0.5B
---
# QuantumCoder-0.5B
Modelo de generación de código entrenado mediante **destilación cuántica**,
usando IBM Quantum para optimizar hiperparámetros y Qwen3-Coder-480B
como modelo profesor.
## Proceso
- **Profesor**: Qwen3-Coder-480B (via OpenRouter)
- **Optimización**: IBM Quantum (hiperparámetros óptimos)
- **Base**: Qwen2.5-Coder-0.5B
- **Técnica**: LoRA fine-tuning + Quantum hyperparameter optimization
## Uso
```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained("rod123/QuantumCoder-0.5B")
model = AutoModelForCausalLM.from_pretrained(
"rod123/QuantumCoder-0.5B",
torch_dtype=torch.float16,
device_map="auto"
)
prompt = """### Instrucción:
Escribe una función Python que calcule fibonacci
### Respuesta:
"""
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
```
## Roadmap
- [ ] QuantumCoder-7B
- [ ] QuantumCoder-32B → 6B
- [ ] Benchmarks HumanEval |