| # 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`](https://huggingface.co/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: |
|
|
| ```text |
| /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: |
|
|
| ```bash |
| 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) |
|
|
| ```bash |
| 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) |
|
|
| ```python |
| 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: |
|
|
| ```bibtex |
| @article{qwen2.5, |
| title={Qwen2.5 Technical Report}, |
| author={Qwen Team}, |
| journal={arXiv preprint arXiv:2409.12186}, |
| year={2024} |
| } |
| ``` |
|
|
| --- |
|
|
| ## Links |
|
|
| - Código-fonte: `https://github.com/tel1980/SLM_python` |
| - Pesos merged v2 (FP16): `https://huggingface.co/tel1980/qwen-python-slm-v2` |
| - GGUF quantizado v2: `https://huggingface.co/tel1980/qwen-python-slm-v2-gguf` |
| - Versão anterior (v1): `https://huggingface.co/tel1980/qwen-python-slm` |
|
|
