Instructions to use escoto34/qwen2.5-supercoder-3b-Instruct with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use escoto34/qwen2.5-supercoder-3b-Instruct with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="escoto34/qwen2.5-supercoder-3b-Instruct",
	filename="qwen2.5-3b-instruct.Q4_K_M.gguf",
)

llm.create_chat_completion(
	messages = "No input example has been defined for this model task."
)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use escoto34/qwen2.5-supercoder-3b-Instruct with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Use Docker

docker model run hf.co/escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

LM Studio
Jan
Ollama
How to use escoto34/qwen2.5-supercoder-3b-Instruct with Ollama:
```
ollama run hf.co/escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
```

Unsloth Studio

How to use escoto34/qwen2.5-supercoder-3b-Instruct with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for escoto34/qwen2.5-supercoder-3b-Instruct to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for escoto34/qwen2.5-supercoder-3b-Instruct to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for escoto34/qwen2.5-supercoder-3b-Instruct to start chatting

How to use escoto34/qwen2.5-supercoder-3b-Instruct with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @mariozechner/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Hermes Agent new

How to use escoto34/qwen2.5-supercoder-3b-Instruct with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Run Hermes

hermes

Atomic Chat new

OpenClaw new

How to use escoto34/qwen2.5-supercoder-3b-Instruct with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Docker Model Runner
How to use escoto34/qwen2.5-supercoder-3b-Instruct with Docker Model Runner:
```
docker model run hf.co/escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M
```

Lemonade

How to use escoto34/qwen2.5-supercoder-3b-Instruct with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull escoto34/qwen2.5-supercoder-3b-Instruct:Q4_K_M

Run and chat with the model

lemonade run user.qwen2.5-supercoder-3b-Instruct-Q4_K_M

List all available models

lemonade list

Qwen2.5-SuperCoder-3B-Instruct

⚠️ Aviso: este modelo fue entrenado por un aficionado, como proyecto personal de fine-tuning.

Fine-tune de Qwen2.5-Coder-3B-Instruct, orientado a asistencia de código ("vibe coding"), corrección de errores, y generación de interfaces, manteniendo coherencia conversacional multi-turno.

Tecnología usada

Modelo base: Qwen2.5-Coder-3B-Instruct, arquitectura Qwen2 clásica (atención GQA + RoPE).
Framework de entrenamiento: Unsloth, con FastLanguageModel y checkpointing optimizado (use_gradient_checkpointing="unsloth").
Método: LoRA 16-bit (rank 32, alpha 32, dropout 0), aplicado a q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj.
Hardware: entrenado en una RTX 5090 (32GB VRAM) alquilada en vast.ai.
Hiperparámetros clave: learning rate 2e-4, scheduler coseno, optimizer AdamW 8-bit, 2 épocas, context length 2048, weight decay 0.01, entrenamiento con assistant completions only (el loss solo se calcula sobre los tokens de la respuesta del asistente, no sobre el prompt ni el system message).
Exportación: cuantizado a GGUF (Q4_K_M) para inferencia en llama.cpp / Ollama / LM Studio.

Dataset de entrenamiento

Mezcla de ~46,600 filas (tras deduplicación) de 13 fuentes públicas, normalizadas a conversaciones multi-turno (formato messages, no solo pares instrucción/respuesta aplanados) para preservar coherencia conversacional. Proporciones aproximadas por fuente:

Dataset	% de la mezcla	Propósito
CodeAlpaca-20k	~42%	Código general, instrucciones cortas
teknium/OpenHermes-2.5	~7%	Conversación general multi-turno
CodeDevX/Vibe-Coding-Instruct-V2	~7%	Código orientado a "vibe coding"
ise-uiuc/Magicoder-Evol-Instruct-110K	~6%	Instrucciones de código evolucionadas (Evol-Instruct)
m-a-p/CodeFeedback-Filtered-Instruction	~6%	Debug con feedback de ejecución real
angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k	~5%	Razonamiento paso a paso (destilado)
HuggingFaceH4/ultrachat_200k	~5%	Conversación general, retención de contexto
Vezora/Tested-143k-Python-Alpaca	~4%	Python verificado/ejecutado
nohurry/Opus-4.6-Reasoning-3000x-filtered	~4%	Razonamiento paso a paso (destilado, filtrado)
cfahlgren1/react-code-instructions	~3%	Componentes React / diseño de interfaces
iamdyeus/ui-instruct-4k	~3%	Componentes UI (Next.js / Tailwind / ShadCN)
garage-bAInd/Open-Platypus	~3%	Lógica y razonamiento general
meta-math/MetaMathQA	~2%	Matemática/lógica, sin saturar la mezcla

La filosofía "ponytail"

Un subconjunto de las fuentes con razonamiento visible (angrygiraffe, nohurry, CodeFeedback) fue entrenado con un system prompt fijo que le pide al modelo, antes de escribir código, evaluar en orden: (1) si el código necesita existir (YAGNI), (2) si la librería estándar ya lo resuelve, (3) si una función nativa de la plataforma lo resuelve, (4) si una dependencia ya instalada lo resuelve, (5) si se puede resolver en una línea — y solo entonces escribir el mínimo código necesario, sin recortar validación de inputs, seguridad, manejo de errores o accesibilidad.

Ese system prompt no se aplicó a toda la mezcla: solo se inyectó en las fuentes donde la respuesta demuestra ese razonamiento explícitamente. En datasets de instrucciones cortas y directas (CodeAlpaca, Magicoder, etc.) no tendría sentido pedir ese checklist si la respuesta nunca lo refleja — habría sido una señal de entrenamiento contradictoria (el system prompt pidiendo algo que la respuesta objetivo no demuestra).

Limitaciones conocidas

Al ser un fine-tune LoRA sobre un modelo de 3B, no espera igualar la calidad de modelos de código mucho más grandes.
La mezcla de datasets incluye entre 13 fuentes de calidad y curación variable (algunas generadas sintéticamente por terceros vía API, no verificadas manualmente por sus autores).
No se descarta cierta interferencia entre lenguajes de programación dado el desbalance de la mezcla (fuerte peso en Python, menor en JavaScript/TypeScript) — revisa el output generado en lenguajes menos representados antes de confiar en él ciegamente.

Uso

Formato de prompt ChatML (heredado de Qwen2.5):

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

Downloads last month: 466

GGUF

Model size

3B params

Architecture

qwen2

Hardware compatibility

4-bit

5-bit

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for escoto34/qwen2.5-supercoder-3b-Instruct

Base model

Qwen/Qwen2.5-3B

Finetuned

Qwen/Qwen2.5-Coder-3B

Finetuned

Qwen/Qwen2.5-Coder-3B-Instruct

Finetuned

unsloth/Qwen2.5-Coder-3B-Instruct

Adapter

(2)

this model