Upload v1 merged FP16 weights

Qwen2.5-Coder-1.5B fine-tuned for Python, SQL and PySpark (FP16 merged)

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+tokenizer.json filter=lfs diff=lfs merge=lfs -text

README.md

@@ -0,0 +1,190 @@
+---
+license: apache-2.0
+base_model: Qwen/Qwen2.5-Coder-1.5B-Instruct
+library_name: transformers
+pipeline_tag: text-generation
+tags:
+  - code
+  - python
+  - sql
+  - pyspark
+  - qlora
+  - ollama
+  - gguf
+---
+
+# Model Card: qwen-python-slm
+
+## 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**.
+
+O modelo é 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 tel1980/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)
+- **Tamanho de contexto:** 1024 tokens
+- **Hardware de treino:** NVIDIA GeForce RTX 5050 (8 GB VRAM)
+- **Hiperparâmetros LoRA:**
+  - `r = 16`
+  - `alpha = 32`
+  - `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: 16 (1 × 16 gradient accumulation)
+  - Learning rate: 2e-4
+  - Max steps: 500
+  - Warmup steps: 30
+  - Otimizador: `paged_adamw_8bit`
+- **Resultado do treino:** ~1h10min de GPU, loss médio 0,578, loss final 0,508
+- **Parâmetros treináveis:** 18,4M (1,18% do total)
+
+---
+
+## Dados de treino
+
+Dataset final combinado: **98.180 amostras**.
+
+- **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)
+- **Dataset SQL:** `b-mc2/sql-create-context` (subamostrado para 15k)
+- **Dataset PySpark:** curadoria própria de 1.500 amostras no formato Alpaca (`datasets/pyspark_instructions.json`)
+- **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.
+
+> **Ressalva:** as amostras de avaliação vêm dos mesmos datasets usados no treino, então os números tendem a ser otimistas. Servem como sanity check de formato e gramática.
+
+| Métrica | Valor |
+|---|---|
+| Taxa de compilação Python válida | 96,67% |
+| Taxa de execução Python sem erros | 83,33% |
+| Taxa de parse SQL válido | 100,00% |
+| Taxa de sintaxe PySpark válida | 100,00% |
+| BLEU médio — Python | 0,175 |
+| BLEU médio — SQL | 0,917 |
+| BLEU médio — PySpark | 0,353 |
+
+Observações:
+- Os erros de execução Python foram principalmente ambientais (biblioteca externa ausente, `input()` sem stdin, arquivo local inexistente), não falhas de sintaxe.
+- BLEU alto em SQL reflete o forte padrão do dataset `sql-create-context`; 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, 500 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 tel1980/qwen-python-slm "/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"
+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 (FP16): `https://huggingface.co/tel1980/qwen-python-slm`
+- GGUF quantizado: `https://huggingface.co/tel1980/qwen-python-slm-gguf`

chat_template.jinja

@@ -0,0 +1,54 @@
+{%- if tools %}
+    {{- '<|im_start|>system\n' }}
+    {%- if messages[0]['role'] == 'system' %}
+        {{- messages[0]['content'] }}
+    {%- else %}
+        {{- 'You are Qwen, created by Alibaba Cloud. You are a helpful assistant.' }}
+    {%- endif %}
+    {{- "\n\n# Tools\n\nYou may call one or more functions to assist with the user query.\n\nYou are provided with function signatures within <tools></tools> XML tags:\n<tools>" }}
+    {%- for tool in tools %}
+        {{- "\n" }}
+        {{- tool | tojson }}
+    {%- endfor %}
+    {{- "\n</tools>\n\nFor each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:\n<tool_call>\n{\"name\": <function-name>, \"arguments\": <args-json-object>}\n</tool_call><|im_end|>\n" }}
+{%- else %}
+    {%- if messages[0]['role'] == 'system' %}
+        {{- '<|im_start|>system\n' + messages[0]['content'] + '<|im_end|>\n' }}
+    {%- else %}
+        {{- '<|im_start|>system\nYou are Qwen, created by Alibaba Cloud. You are a helpful assistant.<|im_end|>\n' }}
+    {%- endif %}
+{%- endif %}
+{%- for message in messages %}
+    {%- if (message.role == "user") or (message.role == "system" and not loop.first) or (message.role == "assistant" and not message.tool_calls) %}
+        {{- '<|im_start|>' + message.role + '\n' + message.content + '<|im_end|>' + '\n' }}
+    {%- elif message.role == "assistant" %}
+        {{- '<|im_start|>' + message.role }}
+        {%- if message.content %}
+            {{- '\n' + message.content }}
+        {%- endif %}
+        {%- for tool_call in message.tool_calls %}
+            {%- if tool_call.function is defined %}
+                {%- set tool_call = tool_call.function %}
+            {%- endif %}
+            {{- '\n<tool_call>\n{"name": "' }}
+            {{- tool_call.name }}
+            {{- '", "arguments": ' }}
+            {{- tool_call.arguments | tojson }}
+            {{- '}\n</tool_call>' }}
+        {%- endfor %}
+        {{- '<|im_end|>\n' }}
+    {%- elif message.role == "tool" %}
+        {%- if (loop.index0 == 0) or (messages[loop.index0 - 1].role != "tool") %}
+            {{- '<|im_start|>user' }}
+        {%- endif %}
+        {{- '\n<tool_response>\n' }}
+        {{- message.content }}
+        {{- '\n</tool_response>' }}
+        {%- if loop.last or (messages[loop.index0 + 1].role != "tool") %}
+            {{- '<|im_end|>\n' }}
+        {%- endif %}
+    {%- endif %}
+{%- endfor %}
+{%- if add_generation_prompt %}
+    {{- '<|im_start|>assistant\n' }}
+{%- endif %}

config.json

@@ -0,0 +1,61 @@
+{
+  "architectures": [
+    "Qwen2ForCausalLM"
+  ],
+  "attention_dropout": 0.0,
+  "bos_token_id": 151643,
+  "dtype": "float16",
+  "eos_token_id": 151645,
+  "hidden_act": "silu",
+  "hidden_size": 1536,
+  "initializer_range": 0.02,
+  "intermediate_size": 8960,
+  "layer_types": [
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention",
+    "full_attention"
+  ],
+  "max_position_embeddings": 32768,
+  "max_window_layers": 28,
+  "model_type": "qwen2",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 28,
+  "num_key_value_heads": 2,
+  "pad_token_id": null,
+  "rms_norm_eps": 1e-06,
+  "rope_parameters": {
+    "rope_theta": 1000000.0,
+    "rope_type": "default"
+  },
+  "sliding_window": null,
+  "tie_word_embeddings": true,
+  "transformers_version": "5.15.0",
+  "use_cache": true,
+  "use_sliding_window": false,
+  "vocab_size": 151936
+}

generation_config.json

@@ -0,0 +1,14 @@
+{
+  "bos_token_id": 151643,
+  "do_sample": true,
+  "eos_token_id": [
+    151645,
+    151643
+  ],
+  "pad_token_id": 151643,
+  "repetition_penalty": 1.1,
+  "temperature": 0.7,
+  "top_k": 20,
+  "top_p": 0.8,
+  "transformers_version": "5.15.0"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:658e4a00006cf08136d72817ef8faba6ed3b1c32a36733a886620287d998176a
+size 3087466808

tokenizer.json

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3fd169731d2cbde95e10bf356d66d5997fd885dd8dbb6fb4684da3f23b2585d8
+size 11421892

tokenizer_config.json

@@ -0,0 +1,30 @@
+{
+  "add_prefix_space": false,
+  "backend": "tokenizers",
+  "bos_token": null,
+  "clean_up_tokenization_spaces": false,
+  "eos_token": "<|im_end|>",
+  "errors": "replace",
+  "extra_special_tokens": [
+    "<|im_start|>",
+    "<|im_end|>",
+    "<|object_ref_start|>",
+    "<|object_ref_end|>",
+    "<|box_start|>",
+    "<|box_end|>",
+    "<|quad_start|>",
+    "<|quad_end|>",
+    "<|vision_start|>",
+    "<|vision_end|>",
+    "<|vision_pad|>",
+    "<|image_pad|>",
+    "<|video_pad|>"
+  ],
+  "is_local": true,
+  "local_files_only": false,
+  "model_max_length": 32768,
+  "pad_token": "<|endoftext|>",
+  "split_special_tokens": false,
+  "tokenizer_class": "Qwen2Tokenizer",
+  "unk_token": null
+}