293 lines
12 KiB
Markdown
293 lines
12 KiB
Markdown
---
|
||
license: other
|
||
library_name: transformers
|
||
pipeline_tag: text-generation
|
||
base_model: Qwen/Qwen2.5-Coder-3B-Instruct
|
||
tags:
|
||
- qwen
|
||
- qwen2.5-coder
|
||
- transformers
|
||
- text-generation
|
||
- code
|
||
- fine-tuned
|
||
- russian
|
||
---
|
||
|
||
# Broken_Code_Generation1.0
|
||
|
||
`Broken_Code_Generation1.0` - это модель для генерации задач по программированию в стиле ML bugfix.
|
||
|
||
Если совсем просто: ты задаешь **3 тега** и **сложность**, а модель возвращает **одну готовую задачу** в JSON-формате: с названием, контекстом, тестами, требованиями, ограничениями и сломанным кодом, который нужно исправить.
|
||
|
||
Модель основана на `Qwen/Qwen2.5-Coder-3B-Instruct`, была дообучена через `QLoRA`, а затем смержена в полноценную модель для инференса и публикации.
|
||
|
||
Built with Qwen.
|
||
|
||
## Что делает модель
|
||
|
||
Модель принимает:
|
||
|
||
- ровно 3 тега
|
||
- одну сложность: `easy`, `medium` или `hard`
|
||
|
||
И возвращает:
|
||
|
||
- один JSON-объект
|
||
- без Markdown
|
||
- без дополнительных пояснений
|
||
- в формате, похожем на обучающий датасет
|
||
|
||
## Что будет в ответе
|
||
|
||
На выходе ожидается JSON с такими полями:
|
||
|
||
- `id`
|
||
- `title`
|
||
- `difficulty`
|
||
- `topic_tags`
|
||
- `task_context`
|
||
- `tests`
|
||
- `expected_output`
|
||
- `input_example`
|
||
- `output_example`
|
||
- `requirements`
|
||
- `constraints`
|
||
- `broken_code`
|
||
|
||
## Где модель полезна
|
||
|
||
Эта модель подойдет, если тебе нужно:
|
||
|
||
- генерировать новые ML bugfix-задачи
|
||
- собирать учебные примеры для студентов
|
||
- делать синтетические данные для обучения и тестирования
|
||
- быстро получать задачи в одном и том же структурированном формате
|
||
- использовать ее вместе с анализом кода
|
||
|
||
## Основное подключение
|
||
|
||
Подключение через `transformers` напрямую:
|
||
|
||
```python
|
||
import json
|
||
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||
import torch
|
||
|
||
model_path = "Vilyam888/Broken_Code_Generation.1.0"
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
|
||
if tokenizer.pad_token is None:
|
||
tokenizer.pad_token = tokenizer.eos_token
|
||
tokenizer.padding_side = "left"
|
||
|
||
model = AutoModelForCausalLM.from_pretrained(
|
||
model_path,
|
||
torch_dtype=torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else (
|
||
torch.float16 if torch.cuda.is_available() else torch.float32
|
||
),
|
||
device_map="auto",
|
||
trust_remote_code=True,
|
||
)
|
||
|
||
SYSTEM_PROMPT = (
|
||
"Ты генерируешь новую ML bugfix-задачу строго в формате объектов из датасета. "
|
||
"Верни только один JSON-объект без Markdown и без пояснений. "
|
||
"Порядок полей должен быть ровно таким: "
|
||
"`title`, `difficulty`, `topic_tags`, `task_context`, `tests`, "
|
||
"`expected_output`, `input_example`, `output_example`, `requirements`, "
|
||
"`constraints`, `broken_code`. "
|
||
"`tests`, `requirements` и `constraints` должны быть массивами строк. "
|
||
"`broken_code` должен быть одной строкой с полным Python-кодом и символами `\\n`. "
|
||
"Не добавляй лишние поля и не обрывай JSON."
|
||
)
|
||
|
||
topic_tags = {
|
||
"TabularData": 0.4,
|
||
"Statistics": 0.3,
|
||
"DataPreprocessing": 0.3,
|
||
}
|
||
|
||
payload = {
|
||
"difficulty": "medium",
|
||
"topic_tags": topic_tags,
|
||
}
|
||
|
||
messages = [
|
||
{"role": "system", "content": SYSTEM_PROMPT},
|
||
{
|
||
"role": "user",
|
||
"content": (
|
||
"Сгенерируй новую ML bugfix-задачу по параметрам.\n"
|
||
"Формат должен совпадать со структурой датасета: "
|
||
"все поля обязательны, `tests`/`requirements`/`constraints` - это списки строк, "
|
||
"`broken_code` - полная строка кода с ошибками и комментариями `ВОТ ТУТ НУЖНО ИСПРАВИТЬ КОД`.\n"
|
||
"Поля должны идти в порядке: "
|
||
"title, difficulty, topic_tags, task_context, tests, expected_output, "
|
||
"input_example, output_example, requirements, constraints, broken_code.\n"
|
||
+ json.dumps(payload, ensure_ascii=False, indent=2)
|
||
),
|
||
},
|
||
]
|
||
|
||
prompt = tokenizer.apply_chat_template(
|
||
messages,
|
||
tokenize=False,
|
||
add_generation_prompt=True,
|
||
)
|
||
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
|
||
prompt_length = inputs["input_ids"].shape[1]
|
||
|
||
with torch.no_grad():
|
||
output = model.generate(
|
||
**inputs,
|
||
max_new_tokens=1200,
|
||
temperature=0.7,
|
||
top_p=0.95,
|
||
do_sample=True,
|
||
pad_token_id=tokenizer.pad_token_id,
|
||
eos_token_id=tokenizer.eos_token_id,
|
||
)
|
||
|
||
completion_tokens = output[0][prompt_length:]
|
||
completion = tokenizer.decode(completion_tokens, skip_special_tokens=True).strip()
|
||
print(completion)
|
||
```
|
||
|
||
После этого модели нужно передать:
|
||
|
||
- 3 тега
|
||
- сложность `easy`, `medium` или `hard`
|
||
- промпт с просьбой вернуть один JSON-объект
|
||
|
||
Для этой модели это важно: она обучена не на обычный разговорный чат, а на генерацию задач.
|
||
|
||
Поэтому хороший запрос для нее выглядит так:
|
||
|
||
- "Сгенерируй ML bugfix-задачу по таким тегам и такой сложности"
|
||
|
||
А вот запросы вроде:
|
||
|
||
- `Who are you?`
|
||
- `Hello`
|
||
- `Tell me a joke`
|
||
|
||
для этой модели не являются целевым сценарием и обычно не дают полезного результата.
|
||
|
||
Если нужен более простой запуск именно внутри этого проекта, ниже есть второй вариант через готовый скрипт.
|
||
|
||
Если говорить совсем коротко: для обычного подключения другим людям достаточно `transformers`, `torch` и имени репозитория:
|
||
|
||
- `Vilyam888/Broken_Code_Generation.1.0`
|
||
|
||
## Основной инференс в проекте
|
||
|
||
Самый простой и понятный способ запуска в этом проекте:
|
||
|
||
```powershell
|
||
.\.venv\Scripts\python.exe .\HF_Release\infer_merged_model.py --tag1 TabularData --tag2 Statistics --tag3 DataPreprocessing --difficulty medium
|
||
```
|
||
|
||
Что произойдет после запуска:
|
||
|
||
- загрузится смерженная модель
|
||
- в модель передадутся 3 тега и сложность
|
||
- модель сгенерирует задачу
|
||
- готовый JSON сохранится в `HF_Release/inference_output/generated_task.json`
|
||
- сырой текст ответа сохранится в `HF_Release/inference_output/raw_output.txt`
|
||
|
||
Еще один пример:
|
||
|
||
```powershell
|
||
.\.venv\Scripts\python.exe .\HF_Release\infer_merged_model.py --tag1 Classification --tag2 Evaluation --tag3 Metrics --difficulty hard
|
||
```
|
||
|
||
## Что можно менять
|
||
|
||
В основной команде ты обычно меняешь только это:
|
||
|
||
- `--tag1`, `--tag2`, `--tag3` - любые 3 нужных тега
|
||
- `--difficulty` - `easy`, `medium` или `hard`
|
||
|
||
Например, если хочешь другую генерацию, просто подставляешь другие значения в ту же команду.
|
||
|
||
## Как это работает
|
||
|
||
Внутри все довольно просто:
|
||
|
||
1. из трех тегов собирается `topic_tags`
|
||
2. в промпт подставляются теги и сложность
|
||
3. модель генерирует текст
|
||
4. из текста извлекается JSON
|
||
5. JSON сохраняется в итоговый файл
|
||
|
||
То есть в обычной работе тебе не нужно менять код модели. Достаточно менять входные теги и сложность.
|
||
|
||
## Совместимость с Code Analyze
|
||
|
||
Эта модель хорошо работает в связке с [`Vilyam888/Code_analyze.1.0`](https://huggingface.co/Vilyam888/Code_analyze.1.0).
|
||
|
||
Удобный сценарий такой:
|
||
|
||
1. `Code_analyze.1.0` анализирует код и определяет тип ошибки
|
||
2. по этому анализу выбираются подходящие теги
|
||
3. `Broken_Code_Generation1.0` генерирует новую bugfix-задачу в нужном формате
|
||
|
||
Это удобно для:
|
||
|
||
- учебных пайплайнов
|
||
- генерации новых примеров
|
||
- полуавтоматической подготовки задач
|
||
- систем, где сначала анализируется решение, а потом создается похожая задача на закрепление
|
||
|
||
## Как лучше формулировать запрос
|
||
|
||
Модель обычно отвечает лучше, если:
|
||
|
||
- давать ровно 3 тега
|
||
- явно указывать сложность
|
||
- просить вернуть ровно один JSON-объект
|
||
- отдельно писать, что не нужно добавлять Markdown и пояснения
|
||
|
||
## Ограничения
|
||
|
||
Важно помнить:
|
||
|
||
- модель все еще может иногда выдавать неполный JSON
|
||
- качество зависит от промпта и параметров генерации
|
||
- иногда ответы могут быть стилистически похожими друг на друга
|
||
- генерации лучше просматривать вручную перед использованием в важном датасете или продукте
|
||
|
||
## Кратко об обучении
|
||
|
||
- Базовая модель: `Qwen/Qwen2.5-Coder-3B-Instruct`
|
||
- Метод дообучения: `QLoRA`
|
||
- Итоговая версия: merged-модель после вливания LoRA-адаптера в базовую
|
||
- Целевая задача: генерация структурированных ML bugfix-задач
|
||
|
||
## Что лежит в репозитории
|
||
|
||
Главные файлы:
|
||
|
||
- шарды модели: `model-00001-of-00004.safetensors` ... `model-00004-of-00004.safetensors`
|
||
- файлы токенизатора
|
||
- `chat_template.jinja`
|
||
- `config.json`
|
||
- `generation_config.json`
|
||
|
||
## Лицензия
|
||
|
||
Этот репозиторий является производной работой от `Qwen/Qwen2.5-Coder-3B-Instruct`.
|
||
|
||
Базовая модель распространяется по лицензии `Qwen RESEARCH LICENSE AGREEMENT`. На Hugging Face для этой модели используется `license: other`.
|
||
|
||
Важно:
|
||
|
||
- лицензия Qwen ориентирована на research / non-commercial использование
|
||
- для коммерческого использования нужно отдельно проверить условия исходной лицензии
|
||
- при распространении нужно сохранять `LICENSE` и `NOTICE`
|
||
|
||
## Атрибуция
|
||
|
||
Improved using Qwen.
|
||
|