К содержимому
Языковые модели

Qwen2.5-Coder-0.5B-Instruct-heretic

компактная модель для кода без цензуры

2 мин чтения

Это версия лёгкой языковой модели Qwen2.5-Coder-0.5B-Instruct от автора SelfCode, из которой удалили встроенные ограничения с помощью инструмента Heretic v2.0.0. Модель предназначена для генерации, анализа и исправления программного кода, а в основе лежит архитектура transformers с 0,49 млрд параметров. В отличие от оригинала, эта модификация гораздо реже отвечает отказом на запросы пользователей, сохраняя при этом исходное поведение на обычных задачах. Благодаря скромному размеру она подойдёт для локального запуска на слабом железе и встраивания в лёгкие инструменты разработки.

Ключевые особенности

  • Ослабленная цензура: доля отказов снизилась с 51/100 у базовой версии до 7/100.
  • Минимальное искажение базы: значение KL divergence (показатель отклонения распределения ответов от исходной модели) составило 0.0289.
  • Компактный размер: всего 0.49B параметров (0.36B без учёта эмбеддингов) и 24 слоя с механизмом GQA.
  • Длинный контекст: модель поддерживает окно до 32 768 токенов.

Что можно сделать

  • Запустить локальный автокомплит или помощник программиста в IDE на ноутбуке без мощной видеокарты.
  • Использовать в качестве быстрой модели для генерации и отладки скриптов без срабатывания ложных фильтров безопасности.
  • Воспроизвести процесс снятия ограничений на своих весах с помощью опубликованных параметров и конфигурации в папке reproduce.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "SelfCode/Qwen2.5-Coder-0.5B-Instruct-heretic"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained(model_name)

messages = [{"role": "user", "content": "write a quick sort algorithm."}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
ПодробнееМетрики: отказы снижены с 51/100 до 7/100 при KL divergence 0.0289.
Модификация выполнена методом Arbitrary-Rank Ablation (ARA) по слоям с 1 по 20 (preserve_good_behavior_weight 0.8033, steer_bad_behavior_weight 0.0001).
Требования: для корректной работы нужна библиотека transformers версии 4.37.0 или новее.
Обсудить 0 26

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.2 GB
  • 4-bitвеса 0.3 GB1.0 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 · BF16 — от RTX 2060

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

Для текстовых моделей — с контекстом 8192 токенов.

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

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # SelfCode/Qwen2.5-Coder-0.5B-Instruct-heretic — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve SelfCode/Qwen2.5-Coder-0.5B-Instruct-heretic --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen2.5-Coder-0.5B-Instruct-heretic
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen2.5-Coder-0.5B-Instruct
  1. Qwen2.5-0.5Bоснова семьи
  2. Qwen2.5-Coder-0.5B
  3. Qwen2.5-Coder-0.5B-Instruct
  4. Qwen2.5-Coder-0.5B-Instruct-heretic

Новые посты про версии Qwen2.5-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

SelfCode/Qwen2.5-Coder-0.5B-Instruct-heretic
Автор
SelfCode
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

260

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии