Instructions to use tel1980/qwen-python-slm-v2-gguf with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use tel1980/qwen-python-slm-v2-gguf 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 tel1980/qwen-python-slm-v2-gguf
# Run inference directly in the terminal:
llama cli -hf tel1980/qwen-python-slm-v2-gguf

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf tel1980/qwen-python-slm-v2-gguf
# Run inference directly in the terminal:
llama cli -hf tel1980/qwen-python-slm-v2-gguf

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 tel1980/qwen-python-slm-v2-gguf
# Run inference directly in the terminal:
./llama-cli -hf tel1980/qwen-python-slm-v2-gguf

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 tel1980/qwen-python-slm-v2-gguf
# Run inference directly in the terminal:
./build/bin/llama-cli -hf tel1980/qwen-python-slm-v2-gguf

Use Docker

docker model run hf.co/tel1980/qwen-python-slm-v2-gguf

LM Studio
Jan
Ollama
How to use tel1980/qwen-python-slm-v2-gguf with Ollama:
```
ollama run hf.co/tel1980/qwen-python-slm-v2-gguf
```

Unsloth Studio

How to use tel1980/qwen-python-slm-v2-gguf with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for tel1980/qwen-python-slm-v2-gguf to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for tel1980/qwen-python-slm-v2-gguf to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for tel1980/qwen-python-slm-v2-gguf to start chatting

How to use tel1980/qwen-python-slm-v2-gguf with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tel1980/qwen-python-slm-v2-gguf

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "tel1980/qwen-python-slm-v2-gguf"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use tel1980/qwen-python-slm-v2-gguf with Docker Model Runner:
```
docker model run hf.co/tel1980/qwen-python-slm-v2-gguf
```

Lemonade

How to use tel1980/qwen-python-slm-v2-gguf with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull tel1980/qwen-python-slm-v2-gguf

Run and chat with the model

lemonade run user.qwen-python-slm-v2-gguf-{{QUANT_TAG}}

List all available models

lemonade list

Hermes Agent

How to use tel1980/qwen-python-slm-v2-gguf with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tel1980/qwen-python-slm-v2-gguf

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 tel1980/qwen-python-slm-v2-gguf

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use tel1980/qwen-python-slm-v2-gguf with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf tel1980/qwen-python-slm-v2-gguf

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 "tel1980/qwen-python-slm-v2-gguf" \
  --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"

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-gguf

Qwen2.5-Coder Technical Report

Paper • 2409.12186 • Published Sep 18, 2024 • 159

tel1980
/

qwen-python-slm-v2-gguf

Model Card: qwen-python-slm v2

Visão geral

Uso pretendido

Comandos de linguagem

Detalhes do treinamento

Dados de treino

Métricas de avaliação

Limitações

Como usar

Ollama (GGUF)

Transformers (pesos merged)

Licença

Citação

Links

Paper for tel1980/qwen-python-slm-v2-gguf

Qwen2.5-Coder Technical Report