Instructions to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
# Run inference directly in the terminal:
llama cli -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
# Run inference directly in the terminal:
llama cli -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
# Run inference directly in the terminal:
./llama-cli -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

Use Docker

docker model run hf.co/testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

LM Studio
Jan
Ollama
How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF with Ollama:
```
ollama run hf.co/testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
```
Unsloth Desktop

How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF with Docker Model Runner:
```
docker model run hf.co/testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M
```

Lemonade

How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

Run and chat with the model

lemonade run user.Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF-Q5_K_M

List all available models

lemonade list

Hermes Agent

How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

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 testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M

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 "testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF:Q5_K_M" \
  --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"

Qwen2.5-Coder-7B — C#-дообучение (QLoRA, GGUF-кванты)

Это Qwen/Qwen2.5-Coder-7B-Instruct, дообученный методом QLoRA (LoRA r=64, alpha=32, все 7 проекций) на ~93K примерах с акцентом на C# и русскоязычные диалоги о программировании. В репозитории — GGUF-кванты слитой (merged) модели для llama.cpp / LM Studio / Ollama.

Кванты

Файл	Размер	Рекомендация
`final_Q8_0.gguf`	7.54 ГБ	Максимальное сходство с bf16-оригиналом
`final_Q6_K.gguf`	5.82 ГБ	Практически без потерь
`final_Q5_K_M.gguf`	5.07 ГБ	Оптимум: качество/размер/скорость

⚠️ Не используйте Q4_K_M для этой модели: на нём стирается эффект дообучения (ответы совпадают с базовой моделью). Начиная с Q5_K_M преимущества адаптера сохраняются.

Как тестировалась модель

MultiPL-E (humaneval-cs 158 + mbpp-cs 386 задач, greedy, компиляция через dotnet 9, Debug.Assert-тесты):

Модель	humaneval-cs	mbpp-cs
Базовая Qwen2.5-Coder-7B (bf16)	50.6%	47.4%
Эта модель (bf16 merged)	48.1%	46.6%
Эта модель (Q5_K_M)	47.5%	48.5%

Различия статистически незначимы (тест Макнемара, p 0.08–0.87): на англоязычном бенчмарке в стиле MultiPL-E модель ведёт себя на уровне базы.

Качественный тест на русскоязычных задачах (5 задач: багфикс ×2, консольное приложение, LINQ, рефакторинг; greedy):

Модель	Компилируемость ответов
Базовая (bf16)	3/5
Эта модель (bf16, Q5/Q6/Q8)	5/5

Дообученная модель даёт более компактные и идиоматичные ответы, реже допускает ошибки компиляции (именованные кортежи через :, корректные пространства имён). На Q5_K_M/Q6_K/Q8_0 это преимущество сохраняется; на Q4_K_M — исчезает.

Обучение

Метод: QLoRA (4-bit NF4 база), LoRA r=64, alpha=32, dropout 0.05, target: q/k/v/o/gate/up/down проекции
Данные: ~93K примеров (54.9M токенов): C#-ядро ~57% (Magicoder, CommitPackFT, OpenCodeInstruct, CodeFeedback), русскоязычные диалоги ~30% (ru_stackoverflow, WildChat, ru_turbo_alpaca), агентские задачи ~8.5% (hermes-function-calling)
График: 2 эпохи, 23242 шага, эффективный батч 8, seq len 2048
eval_loss: 0.598 → минимум 0.5626 (середина 1-й эпохи) → 0.5793 в конце

Использование

# llama.cpp
llama-server -m final_Q5_K_M.gguf -ngl 99 -c 4096 --port 8080

# Или llama-cli в интерактивном режиме
llama-cli -m final_Q5_K_M.gguf -ngl 99 --chat-template qwen

Модель использует стандартный chat-шаблон Qwen (ChatML). Промпты на русском работают нативно — модель дообучалась в том числе на русскоязычных диалогах о C#/.NET.

Лицензия и ограничения

База Qwen2.5-Coder-7B-Instruct — Apache 2.0
Часть обучающих данных имеет некоммерческие ограничения (research/non-commercial) — при коммерческом использовании проверьте состав смеси
Модель может галлюцинировать API и генерировать небезопасный код — стандартные оговорки для кодовых LLM

Downloads last month: 651

GGUF

Model size

8B params

Architecture

qwen2

Hardware compatibility

5-bit

6-bit

8-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF

Base model

Qwen/Qwen2.5-7B

Finetuned

Qwen/Qwen2.5-Coder-7B

Finetuned

Qwen/Qwen2.5-Coder-7B-Instruct

Adapter

(798)

this model

testingusera1
/

Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF

Qwen2.5-Coder-7B — C#-дообучение (QLoRA, GGUF-кванты)

Кванты

Как тестировалась модель

Обучение

Использование

Лицензия и ограничения

Model tree for testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF

Datasets used to train testingusera1/Qwen2.5-Coder-7B-CSharp-QLoRA-GGUF