Maris Piper Bug Finder
компактный LoRA-адаптер для поиска багов при код-ревью
2 мин чтенияобновлено
Адаптер формата LoRA (небольшая надстройка над базовой моделью весом 435 МБ) для Qwen3.8-27B от разработчика cameronpyne-smith, созданный специально для проверки pull request'ов. Модель принимает на вход функцию после изменений вместе с unified diff (формат отображения разницы в коде), коротко рассуждает вслух и выносит строгий вердикт: Verdict: break или Verdict: no break. В отличие от базовой Qwen3.8-27B, которая часто уходит в длинные рассуждения на тысячи токенов без чёткого вывода, Maris Piper укладывается менее чем в 400 токенов и при обнаружении дефекта цитирует проблемный фрагмент. Пригодится разработчикам для автоматизации ревью в проектах на TypeScript и C#.
Ключевые особенности
- Заметный рост точности: на проверочном наборе из 100 функций метрика AUC (качество ранжирования багов выше чистого кода) выросла с 0.631 до 0.814, а число найденных реальных багов — с 38 до 43 из 61.
- Экономия токенов в 10+ раз: ответ занимает около 95 слов и стабильно укладывается до 400 токенов против 4 752 токенов у базовой модели.
- Оценка риска по вероятности: вероятность токена в строке вердикта позволяет ранжировать функции по степени подозрительности, а не просто делить на «да/нет».
- Запуск на одной видеокарте: вместе с базовой моделью в 4-битном квантовании (nf4) сборка требует около 20 ГБ VRAM.
Что можно сделать
- Встроить в инструмент или бота для автоматического ревью pull request'ов в репозиториях на TypeScript и C#.
- Настроить приоритизацию проверок в CI/CD: прогонять изменённые функции и сортировать их по вероятности вердикта
break, чтобы ревьюер сначала смотрел самые рискованные участки. - Использовать в связке с базовой моделью
Qwen/Qwen3.8-27Bв 4-битной загрузке на локальной рабочей станции с GPU от 20 ГБ памяти.
Пример
import torch
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
q = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True)
tok = AutoTokenizer.from_pretrained("Qwen/Qwen3.8-27B")
base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3.8-27B", quantization_config=q, dtype=torch.bfloat16, device_map="cuda")
model = PeftModel.from_pretrained(base, "cameronpyne-smith/maris-piper-bug-finder-qwen3.8-27b-lora").eval()
Подробнее
Метрики на 100 функциях (61 с багом, 39 без): AUC 0.814 против 0.631 у базы, balanced accuracy 0.699 против 0.606, точное указание дефекта — 6 случаев против 2.Железо и формат: ~20 ГБ VRAM, тестировалась только с 4-битной базой и отключённым режимом размышлений (
enable_thinking=False).Обучение: 1 177 примеров из 34 открытых репозиториев (58% TypeScript, 42% C#), LoRA rank 16, alpha 32.
Ограничения: поддерживаются только TypeScript и C#, промпты длиннее 16 000 символов не использовались, контекст ограничен одной функцией и diff одного файла.










Комментарии