许可证：apache-2.0
基础模型：

• prithivMLmods/Qwen3-4B-ft-bf16
  数据集：
• nvidia/OpenCodeReasoning
• efficientscaling/Z1-Code-Reasoning-107K
• HuggingFaceH4/CodeAlpaca_20K
• mlabonne/FineTome-100k
  语言：
• en
  任务标签：文本生成
  库名称：transformers
  标签：
• 混合专家模型
• 文本生成推理
• 代码
• 数学
• 强化学习

Bootes-Qwen3_代码推理模型

Bootes-Qwen3_代码推理模型是基于Qwen3-4B架构微调的变体，专为高精度代码推理和结构化逻辑任务优化。通过CodeAlpaca_20K数据集及其他精选编程语料库训练，该模型能以轻量计算需求执行技术编码、逻辑推理和指令跟随任务。

[!注意]
GGUF量化版本：https://huggingface.co/prithivMLmods/Bootes-Qwen3_Coder-Reasoning-Q4_K_M-GGUF

核心特性

1. 基于CodeAlpaca_20K的代码推理能力
   微调数据集涵盖：

   • 多语言编程任务
   • 代码解释、补全与调试
   • 分步执行逻辑的指令跟随

2. 跨语言代码理解
   支持Python、JavaScript、C++等语言，适用于代码生成、转换、错误修复和逻辑验证。

3. 结构化输出生成
   可生成Markdown、JSON、YAML及结构化代码块，适配IDE工作流、文档工具和可复现计算笔记本。

4. 开发者场景指令优化
   严格遵循用户提示，尤其擅长工程与数据工作流中的多轮技术指令分步处理。

5. 多语言技术领域推理
   支持20+人类语言的技术理解与解释，服务全球开发者群体。

6. 高效的4B架构
   基于Qwen3-4B实现性能与效率平衡，中等GPU和云端部署均可流畅运行。

Transformers快速入门

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "prithivMLmods/Bootes-Qwen3_Coder-Reasoning"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "编写Python函数检测回文数，并分步解释。"

messages = [
    {"role": "system", "content": "你是基于CodeAlpaca训练的精准代码推理助手。"},
    {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

适用场景

• 代码生成/补全/解释
• 多步骤算法推理
• 结构化技术文档生成（Markdown/JSON/YAML）
• 调试辅助与重构建议
• 技术教学与开发者助手工作流
• 跨语言编程教育与翻译

局限性

• 非代码类创意写作表现较弱
• 上下文窗口小于大模型
• 模糊指令的响应质量受提示措辞影响
• 偶尔会过度解释简洁需求下的代码

参考文献

1. Qwen2.5技术报告 – https://arxiv.org/pdf/2412.15115
2. CodeAlpaca数据集 – https://github.com/sahil280114/codealpaca
3. YaRN：LLM上下文窗口扩展技术 – https://arxiv.org/pdf/2309.00071