К содержимому
Другое

Refactoring Forecaster

прогноз рефакторинга Java-файлов перед релизом

2 мин чтенияобновлено

Модель оценивает вероятность того, что разработчики проведут рефакторинг продакшн-файла на Java до следующего релиза. Разработка от автора Binamra Aryal (часть магистерской диссертации в Техасском университете в Арлингтоне) объединяет три энкодера (нейросети-кодировщика текста): две копии microsoft/codebert-base для самого кода и истории коммитов, а также sentence-transformers/all-mpnet-base-v2 для обсуждений. В отличие от обычных анализаторов исходников, она смотрит на проект комплексно — учитывает не только структуру классов, но и переписку команды в задачах и пул-реквестах. Пригодится тимлидам и исследователям разработки ПО для приоритизации код-ревью.

Ключевые особенности

  • Три источника данных: анализирует скелет файла и методы, сообщения и диффы коммитов, а также комментарии в связанных issues и PR.
  • Архитектура с attention pooling: сводит окна текста (до 64 окон на каждый аспект) в единый вектор из 2 304 чисел и выдаёт итоговую вероятность через линейный слой и сигмоиду.
  • Калибровка под ранжирование: при пороге 0.794 модель ставит кандидатов на рефакторинг выше остальных файлов (AP в 2.0–3.4 раза выше базовой частоты в репозитории).
  • Открытая лицензия: веса объёмом 1.4 ГБ (float32) опубликованы под лицензией Apache-2.0.

Что можно сделать

  • Приоритизировать код-ревью: отсортировать Java-файлы в репозитории по вероятности изменений, чтобы в первую очередь проверить самые нестабильные модули перед релизом.
  • Использовать в исследованиях SE: воспроизвести эксперименты или дообучить архитектуру на собственных репозиториях с помощью готового пайплайна из forecaster.py.

Пример

from huggingface_hub import snapshot_download
import sys

folder = snapshot_download("Binamra00/refactoring-forecaster")
sys.path.insert(0, folder)
from forecaster import load

model = load(folder)
p = model.probability(code=[skeleton, *methods], history=commit_texts, discourse=discourse_texts)
ПодробнееТест (200 438 строк, 3.2% с рефакторингом): ROC-AUC 0.713, Recall 0.297, Precision 0.095, F1 0.144, AP 0.079.
Обучение: 7 эпох (взята 4-я с val AP 0.106) на одной GPU A100 в bfloat16, размер весов — 1.4 ГБ (0.36B параметров).
Ограничения: обучена и проверена только на 5 Java-репозиториях (commons-lang, checkstyle, dubbo, junit-framework, questdb); срабатывает примерно 1 раз из 10, поэтому подходит для ранжирования, а не автопринятия решений.
Обсудить Telegram 0 17

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 1.3 GB · готовые файлы2.0 GB
  • BF16веса 0.7 GB1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Binamra00/refactoring-forecaster
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Binamra00/refactoring-forecaster --local-dir ~/models/refactoring-forecaster
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к refactoring-forecaster
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

microsoft/codebert-base

Новые посты про версии codebert-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

Binamra00/refactoring-forecaster
Автор
Binamra00
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

nanoMoE

nanoMoE