Qwable-9B-Claude-Fable-5：革命性9B参数AI编码助手完整指南

【免费下载链接】Qwable-9B-Claude-Fable-5 项目地址: https://ai.gitcode.com/hf_mirrors/empero-ai/Qwable-9B-Claude-Fable-5

Qwable-9B-Claude-Fable-5是一款基于Qwen3.5-9B开发的革命性9B参数AI编码助手，它通过全参数监督微调技术，在精选的代理式编码和推理轨迹上进行训练，能够模仿顶尖AI助手的推理和工具使用风格，为开发者提供强大的编码支持和问题解决能力。

🌟 AI编码助手的核心优势

Qwable-9B-Claude-Fable-5作为一款先进的AI编码助手，具有多项显著优势，使其在众多同类工具中脱颖而出。

🔹 强大的编码能力

该模型在编码任务上表现出色，能够生成正确、符合行业规范的解决方案。无论是简单的函数编写还是复杂的算法实现，它都能应对自如。例如，在处理合并重叠区间的问题时，它能生成结构清晰、注释完善的Python函数，充分展示了其对代码逻辑和语法的深刻理解。

🔹 卓越的推理能力

Qwable-9B-Claude-Fable-5具备优秀的推理能力，能够对各种问题进行深入分析和思考。在解决数学问题、逻辑谜题等方面，它能够清晰地展示推理过程，帮助用户理解问题的本质和解决思路。

🔹 高效的工具使用能力

模型在训练过程中学习了顶尖AI助手的工具使用风格，能够在处理任务时合理调用各种工具，提高问题解决的效率和准确性。无论是终端命令的执行还是数据库操作，它都能给出恰当的解决方案。

🚀 快速上手使用指南

要开始使用Qwable-9B-Claude-Fable-5，只需按照以下简单步骤操作，即可快速体验其强大功能。

一键安装步骤

首先，确保你的环境中已安装Python和相关依赖。然后，通过以下命令克隆仓库并安装所需依赖：

git clone https://gitcode.com/hf_mirrors/empero-ai/Qwable-9B-Claude-Fable-5
cd Qwable-9B-Claude-Fable-5
pip install -r requirements.txt

基础使用示例

以下是一个简单的使用示例，展示如何使用Qwable-9B-Claude-Fable-5生成Python函数：

import torch
from transformers import AutoModelForImageTextToText, AutoTokenizer

model_id = "empero-ai/Qwable-9B-Claude-Fable-5"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype="bfloat16", device_map="auto"
)

messages = [{"role": "user", "content": "Write a Python function that merges two sorted lists."}]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(text, return_tensors="pt").to(model.device)

out = model.generate(
    **inputs, max_new_tokens=2048, do_sample=True,
    temperature=0.7, top_p=0.95, top_k=20, repetition_penalty=1.05,
)
print(tok.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

💡 实用功能与应用场景

Qwable-9B-Claude-Fable-5具有丰富的实用功能，适用于多种应用场景，能够为开发者提供全方位的支持。

代码生成与优化

模型可以根据用户需求生成各种类型的代码，并对现有代码进行优化和重构。无论是新功能开发还是代码改进，它都能提供有价值的建议和解决方案。例如，在处理重复代码块时，它能将其重构为更简洁、高效的函数。

问题解答与调试

当开发者遇到技术问题或代码错误时，Qwable-9B-Claude-Fable-5能够提供详细的解答和调试建议。它可以分析错误信息，指出问题所在，并给出修复方案，帮助开发者快速解决问题。

文档生成与解释

模型还可以根据代码自动生成文档，并对复杂的概念和算法进行解释。这有助于提高代码的可维护性和可读性，方便团队协作和知识传承。

📝 模型详情与技术特性

了解Qwable-9B-Claude-Fable-5的模型详情和技术特性，有助于更好地理解其能力和适用范围。

模型基础信息

• 开发团队：Empero
• 基础模型：Qwen3.5-9B，这是一个密集型、原生多模态模型，具有混合注意力栈（3:1 Gated DeltaNet线性注意力与Gated全注意力），约152k词汇量，原生长上下文。
• 微调类型：全参数（所有文本骨干权重均经过训练），视觉塔被冻结，训练仅针对文本，因此视觉行为继承自基础模型且未经过调优或测试。
• 目标：监督微调，仅助手损失（模型仅对助手/完成标记进行评分，提示标记被屏蔽）。
• 语言：主要为英语。
• 许可证：apache-2.0，继承自基础权重，但需注意数据来源的限制。

训练数据

Qwable-9B-Claude-Fable-5的训练数据来自精选的代理式编码和推理轨迹，具体如下：

来源	作用	大约示例数量（保留后）
Glint-Research/Fable-5-traces	Claude Fable 5推理和编码轨迹（context→completion）	~4,585
Roman1111111/gpt5.5-terminal	GPT-5.5终端/代理任务解决方案（system+prompt→solution）	~111

两种来源都被标准化为单一的聊天格式（user/assistant，终端任务可选择system轮）并进行拼接。自然混合中Fable轨迹占比极高（约97%），训练集未进行重新加权。

训练过程

使用TRL进行全参数监督微调，具体参数如下：

超参数	值
epochs	2
有效批大小	16
最大序列长度	76,800（无截断）
学习率	1e-5（余弦，3%预热）
优化器	AdamW（8位）
精度	bf16
损失	分块NLL，仅助手

📊 评估与性能表现

Qwable-9B-Claude-Fable-5在训练过程中通过100个示例的保留验证集进行了损失和标记准确性的跟踪，并辅以定性生成审查。以下是部分评估结果：

步骤	评估损失	评估标记准确率
100	0.743	0.784
200	0.722	0.789
300（约1个epoch）	0.714	0.791
400	0.7135	0.791
500	0.713	0.791

未观察到过拟合现象，保留损失单调下降，然后在第二个epoch中稳定在约0.71，即使训练损失降至约0.64，保留损失也从未上升。第1个epoch和最终（第2个epoch）检查点在保留数据上的泛化能力相当。

定性生成审查

使用Qwen3.5推荐的采样设置，对最终检查点运行了34个涵盖编码、终端/代理任务、推理、解释、指令遵循和诚实/校准探针的提示。完整的未编辑转录本位于sample_generations.md。

编码和终端/代理提示表现最强，使用当前工具（如ss优于netstat，git-filter-repo，Argon2id）提供正确、符合语言习惯的解决方案，并具有安全意识判断（首先轮换泄露的密钥，恒定时间比较，通用身份验证错误）。推理、指令/格式遵循和校准探针处理良好。大约34个响应中有27个干净且正确。

⚠️ 注意事项与局限性

在使用Qwable-9B-Claude-Fable-5时，需要注意以下事项和局限性，以确保获得最佳使用体验。

推理模型特性

该模型是一个推理模型，每个答案都以</think>块开头，然后是最终响应。下游消费者应解析并剥离</think>...</think>跨度。

能力集中领域

Qwable-9B-Claude-Fable-5是一个专注的9B模型，在其训练的编码、代理和推理任务上表现出色。能力集中在编码和代理/工具使用任务上。对于一般知识或长篇事实问题，应像对待任何9B模型一样对待细节——在依赖它们之前进行验证，不要期望了解基础模型训练之外的事件。

反映基础和教师特性

作为Qwen3.5-9B在Claude Fable 5和GPT-5.5轨迹上的蒸馏微调，它承载了这些来源的风格和限制，除了基础模型的安全调整外，没有接受额外的安全调整。生产使用时请添加自己的审查/安全层。

文本仅微调

基础模型是多模态的，但仅训练了文本路径（视觉未触及且未在此处评估）。

这些是紧凑的领域聚焦模型的正常考虑因素，而不是障碍——在其范围内使用上述采样设置，它是一个有能力且可靠的编码/代理助手。

📄 许可证与数据来源

Qwable-9B-Claude-Fable-5的模型权重根据Apache-2.0许可证发布，继承自Qwen3.5-9B基础模型。微调数据来自Claude Fable 5和GPT-5.5的生成轨迹（通过链接的公共数据集）。由于这些轨迹源自第三方助手，提供商的条款可能适用于下游训练和蒸馏——因此，如果您计划商业构建此模型，值得确认您的使用与这些条款一致。按原样与社区共享，用于研究和实验。

【免费下载链接】Qwable-9B-Claude-Fable-5 项目地址: https://ai.gitcode.com/hf_mirrors/empero-ai/Qwable-9B-Claude-Fable-5