DroidSenior-7B-v5
модель для разработки под актуальный стек Android и Kotlin
2 мин чтенияобновлено
Специализированная языковая модель (LLM) для написания современного кода под Android на языке Kotlin (Jetpack Compose, Coroutines/Flow, Hilt, Room). Построена на базе Qwen/Qwen2.5-Coder-7B-Instruct (7.62B параметров) от автора celebibasar и в отличие от предыдущих версий обучена в один проход с чистого чекпоинта. Модель ориентирована на стабильные версии библиотек по состоянию на ноябрь 2026 года, умеет исправлять ошибки по выводу компилятора и не использует устаревшие API. Пригодится Android-разработчикам для генерации чистого кода и миграции проектов.
Ключевые особенности
- Актуальный стек (ноябрь 2026): обучена и протестирована на AGP 9.5.1, Kotlin 2.4.21, Gradle 9.9.0, compileSdk 37 и Compose BOM 2026.09.00.
- Обучение с обратной связью от компилятора (GRPO): модель прошла 150 шагов RL-обучения, где награда начислялась за успешную сборку без предупреждений об устаревших методах.
- Многошаговое исправление ошибок: умеет принимать лог ошибок компилятора в следующем сообщении и корректировать код, а также учитывать подсказки по импортам проекта.
- Лёгкий запуск локально: доступна квантованная версия Q4_K_M GGUF размером 4.68 ГБ, работающая даже на CPU.
Что можно сделать
- Генерировать экраны на Jetpack Compose, слои данных с Room и Coroutines без устаревших методов и лишнего усложнения архитектуры.
- Встроить в цикл автоисправления кода: подавать модели вывод Gradle/компилятора с префиксом
Checking your answer against the project found:для автоматического фикса багов. - Передавать в промпт список актуальных импортов проекта (
Relevant APIs in this project), чтобы модель сразу подставляла верные пути библиотек.
Пример
Системный промпт из карточки для настройки роли модели:
You are DroidSenior, a staff-level Android engineer. Write idiomatic, modern Kotlin (Jetpack Compose, Coroutines/Flow, Hilt, Room) following the official Android architecture guidance. Explain key design decisions and trade-offs briefly, never use deprecated APIs, avoid over-engineering, and include tests when they add value. Answer in the user's language.
Подробнее
Бенчмарк (368 отложенных задач): pass@1 вырос с 46.2% (v4) до 67.9% (после GRPO), а с двумя раундами исправления по логу компилятора достигает 82.3%.Обучение: SFT на 7614 примерах (LoRA r=64, alpha=128) с учителем Qwen2.5-Coder-32B-Instruct, затем 150 шагов GRPO.
Ресурсы: версия Q4_K_M GGUF весит 4.68 ГБ, скорость на CPU в Google Colab составляет 7.9 токенов/с.
Ограничения: знает версии библиотек только до 8 ноября 2026 года, сгенерированный код требует проверки перед использованием.










Комментарии