MehmetDORA/qwen2.5-coder-1.5b-diverse-lora-merged-deneme3

Qwen2.5-Coder-1.5B LoRA Fine-tuned (DIVERSE Dataset)

Bu model, Qwen2.5-Coder-1.5B-Instruct base modeli kullanılarak DIVERSE dataset üzerinde LoRA ile fine-tune edilmiş ve base model ile merge edilmiştir.

🎯 Model Açıklaması

• Base Model: Qwen/Qwen2.5-Coder-1.5B-Instruct
• Dataset: Naholav/CodeGen-DIVERSE-5K
• Training Step: 1136
• Method: LoRA (Low-Rank Adaptation)
• Merge Status: Base model ile merge edildi

📊 Training Hyperparameters

Learning Rate: 1.5e-4
LoRA Rank: 32
LoRA Alpha: 64
LoRA Dropout: 0.08
Target Modules: q_proj, k_proj, v_proj, o_proj
Batch Size: 8
Epochs: 4
Context Length: 1024
Optimizer: paged_adamw_8bit
Scheduler: Cosine
Weight Decay: 0.01
Warmup Ratio: 0.05

Eğitim Sürecinin Grafikleri

Kullanım

Basit Kullanım

from transformers import AutoModelForCausalLM, AutoTokenizer

# Model ve tokenizer'ı yükle
model = AutoModelForCausalLM.from_pretrained(
    "MehmetDORA/qwen2.5-coder-1.5b-diverse-lora-merged-deneme3",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("MehmetDORA/qwen2.5-coder-1.5b-diverse-lora-merged-deneme3")

# Kod üret
prompt = "Write a Python function to calculate the factorial of a number"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_length=512,
    temperature=0.7,
    top_p=0.95,
    do_sample=True
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

System Prompt ile Kullanım

messages = [
    {"role": "system", "content": "You are an expert Python programmer. Please read the problem carefully before writing any Python code."},
    {"role": "user", "content": "Write a function to check if a string is a palindrome"}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_length=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

📈 Evaluation Results

• Validation Loss: 0.954
• Test Loss: 0.XXX
• Pass@1: XX%

💾 Model Size

• Parameters: ~1.5B
• Size: ~3GB (FP16)

⚠️ Limitations

• Model, 1024 token context length ile eğitilmiştir
• Sadece Python kod üretimi için optimize edilmiştir
• Reasoning trace'leri içermez (sadece solution field kullanıldı)