YAML Metadata Warning:empty or missing yaml metadata in repo card

Check out the documentation for more information.

Model Card: qwen-python-slm v2

Visão geral

qwen-python-slm é um modelo de linguagem pequeno (SLM) especializado em gerar código para o ecossistema de Engenharia de Dados, Data Science, Machine Learning, Deep Learning, LLMs, Agentes de IA, DataOps e MLOps.

Esta é a versão 2 do modelo, um ajuste fino (SFT com QLoRA) do Qwen/Qwen2.5-Coder-1.5B-Instruct, mantendo a arquitetura de 1,5 bilhão de parâmetros e adicionando adaptadores LoRA treinados para responder a instruções técnicas de dados/IA em Python, SQL e PySpark.

Tipo de modelo: Causal LM para geração de código
Idioma: Português (instruções) + código multilíngue (Python/SQL/PySpark)
Licença: Apache 2.0
Formatos disponíveis:
- Pesos completos (merged, FP16) no Hugging Face Hub
- GGUF quantizado em Q4_K_M para uso local via Ollama / llama.cpp / Continue.dev

Uso pretendido

Geração de scripts Python para ETL/ELT, análise de dados e ML.
Escrita de consultas SQL compatíveis com SQLite/PostgreSQL.
Geração de código PySpark para processamento distribuído.
Prototipagem de agentes de IA com LangChain, LlamaIndex, CrewAI etc.
Automação de pipelines de MLOps/DataOps (Airflow, dbt, MLflow).
Uso educacional e produtividade de desenvolvedores de dados.

Não recomendado para: produção crítica sem revisão humana; geração de código com dados sensíveis sem validação de segurança; substituição de engenheiros especialistas.

Comandos de linguagem

O modelo reconhece prefixos no prompt para forçar a linguagem/domínio desejado:

/python   Código Python genérico
/sql      Consultas SQL
/pyspark  Código PySpark
/ml       Machine Learning (scikit-learn, PyTorch, etc.)
/llm      LLMs e fine-tuning (transformers, peft, vLLM, etc.)
/agent    Agentes de IA (LangChain, LlamaIndex, CrewAI, etc.)
/dataops  Pipelines/DataOps/MLOps (Airflow, dbt, MLflow, etc.)

Exemplo:

ollama run thiago_lange/qwen-python-slm "/sql Liste os 10 produtos mais vendidos no último trimestre."

Detalhes do treinamento

Modelo base: Qwen/Qwen2.5-Coder-1.5B-Instruct
Técnica: Supervised Fine-Tuning (SFT) com QLoRA (4-bit NF4)
Versão: v2
Tamanho de contexto: 2048 tokens
Hardware de treino: NVIDIA GeForce RTX 5050 (8 GB VRAM)
Hiperparâmetros LoRA:
- r = 32
- alpha = 64
- dropout = 0.05
- Módulos alvo: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Hiperparâmetros de treino:
- Batch size efetivo: 32 (1 × 32 gradient accumulation)
- Learning rate: 2e-4
- Max steps: 1500
- Warmup steps: 75
- Otimizador: paged_adamw_8bit
Parâmetros treináveis: 36,9M (2,34% do total)

Dados de treino

Dataset final combinado: 141.838 amostras, com splits de treino/teste estratificados por fonte. A avaliação usa apenas os holdouts de teste, nunca os dados de treino.

Dataset principal: iamtarun/python_code_instructions_18k_alpaca (Python, filtrado por keywords de dados/IA)
Datasets Python extras: flytech/python-codes-25k, m-a-p/CodeFeedback-Filtered-Instruction (filtrado para Python, subamostrado para 30k), datasets/python_docs_synthetic.json (2.500 amostras sintéticas)
Dataset SQL: combinação de b-mc2/sql-create-context, numbersstation/NSText2SQL, shainalcon/synthetic-text-to-sql e queries sintéticas por dialeto (~48.600 amostras de treino)
Dataset PySpark: ~9.263 amostras sintéticas + 292 oficiais da documentação Spark
Filtro de domínio: amostras são mantidas apenas se contiverem palavras-chave do ecossistema de dados/IA (pandas, sklearn, PyTorch, Spark, Airflow, MLflow, LangChain etc.)
Prompt de sistema: engenheiro de dados/ML sênior, especializado em Python/SQL/PySpark para dados e IA.

Métricas de avaliação

Avaliação executada com src/evaluate.py (Python) e src/evaluate_extended.py (SQL e PySpark), 30 amostras por linguagem, usando exclusivamente os holdouts de teste (datasets/splits/*_test.json). Os dados de teste não foram vistos durante o treino, então as métricas refletem generalização.

Métrica	Valor
Taxa de compilação Python válida	96,67%
Taxa de execução Python sem erros	43,33%
Taxa de parse SQL válido	100,00%
Taxa de sintaxe PySpark válida	100,00%
BLEU médio — Python	0,144
BLEU médio — SQL	0,798
BLEU médio — PySpark	0,802

Observações:

A queda na taxa de execução Python em relação à v1 (83,33%) é esperada: desta vez a avaliação usa holdout de teste real, não amostras do treino.
Os erros de execução Python foram principalmente ambientais (biblioteca externa ausente como bs4, tensorflow, mysql; arquivos CSV locais inexistentes; dados NLTK não baixados), não falhas de sintaxe.
SQL e PySpark são avaliados apenas por sintaxe/parse, já que a execução real exigiria banco de dados e cluster Spark.
BLEU mede similaridade com a referência, não correção semântica.

Futuramente, recomenda-se adicionar pass@1 em benchmarks como HumanEval, MBPP e Spider/BIRD (SQL), com dados nunca vistos no treino.

Limitações

O modelo foi treinado com recursos limitados (RTX 5050 8 GB, 1500 steps), então pode apresentar alucinações ou código não executável.
SQL é validado sintaticamente, mas não executado contra um banco real — a semântica depende do schema fornecido.
PySpark é tratado como Python; a execução real exige ambiente Spark configurado.
O domínio é voltado para dados/IA; código fora desse escopo (frontend, mobile, etc.) pode ter qualidade inferior.
O modelo pode reproduzir vieses presentes nos dados de treino.

Como usar

Ollama (GGUF)

ollama run thiago_lange/qwen-python-slm-v2 "/python Crie uma DAG do Airflow que baixe um CSV e salve no S3."

Transformers (pesos merged)

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "tel1980/qwen-python-slm-v2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

messages = [
    {"role": "system", "content": "Você é um engenheiro de dados e Machine Learning sênior."},
    {"role": "user", "content": "/sql Liste os clientes com mais de 5 pedidos."},
]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(model.device)
outputs = model.generate(inputs, max_new_tokens=512, temperature=0.2)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))

Licença

Este modelo é distribuído sob a licença Apache 2.0, a mesma do modelo base Qwen2.5-Coder-1.5B-Instruct.

Citação

Se você usar este modelo em trabalhos acadêmicos, cite o modelo base:

@article{qwen2.5,
  title={Qwen2.5 Technical Report},
  author={Qwen Team},
  journal={arXiv preprint arXiv:2409.12186},
  year={2024}
}

Paper for tel1980/qwen-python-slm-v2

Qwen2.5-Coder Technical Report

Paper • 2409.12186 • Published Sep 18, 2024 • 159

tel1980
/

qwen-python-slm-v2