下载量
0
参数
1.5B
上下文
未说明
架构 / 任务
未分类
许可证
apache-2.0
MODEL POSITIONING
这个模型解决什么问题？
模型能力源自模型卡与训练说明：将英文自然语言请求转写成单条 Shell 命令，单轮、不可观察文件系统、输出上限 64 token。量化仓库为 GGUF，仅提供 Q4_K_M 一种约 941 MB 文件。运行工具覆盖 llama.cpp、Ollama、LM Studio，配套 CLI 工具为 whatisit。模型卡未说明是否支持中文输入或多轮对话；评估仅基于一个 300 任务的英文基准。
更适合谁
- 想在本地终端把英文需求快速转成 Bash 命令的用户
- 不想上云、寻求低延迟小模型的运维或开发人员
- 已有 llama.cpp、Ollama 或 LM Studio 环境的轻量部署者
- 偏好 CPU 推理、避免显卡依赖的离线使用者
典型使用场景
- 将自然语言描述转写为 find、grep、curl 等单条 Bash 命令
- 在终端作为命令提示辅助，替代部分 man 页查询
- 嵌入式或脚本化场景下作为轻量命令生成后端
- 配合 whatisit CLI 做本地命令行工具的语义层
SOURCE-BASED CAPABILITIES
模型卡透露的核心特点
体积紧凑
约 941 MB，CPU 上约一秒返回，无需独立显卡
任务专精
用 12.6 万条指令对做 LoRA 微调，专注单条命令生成
量化稳健
Q4_K_M 量化下 InterCode-ALFA 通过率仍达 0.620
资源友好
最低 4 GB RAM 即可加载，推荐配置 8 GB RAM
硬件怎么准备
- 最低 4 GB RAM、约 1 GB VRAM 即可加载模型
- 推荐 8 GB RAM 以获得更稳定的多任务运行空间
- 纯 CPU 推理可行，无需独显
- 941 MB 文件体积，普通笔记本或迷你主机都能容纳
量化版本怎么选
- 当前仓库仅提供 Q4_K_M 一种 GGUF 量化方案，约 941 MB
- 该量化在 InterCode-ALFA 上通过率 0.620，相对底座 0.540 有显著提升
- 若需更小或更高精度版本，模型卡未提供其他量化文件
- 训练数据经过去重，相对基准测试集无明显泄露
GGUF VARIANTS
量化版本与硬件要求
数值根据文件体积和运行余量估算，不是速度或效果承诺；长上下文、并发与 GPU 层数会改变实际占用。
| 量化 | 文件 | 最低显存 | 推荐显存 | 推荐内存 | 来源 |
|---|---|---|---|---|---|
| Q4 | 0.7 GB | 1 GB | 2 GB | 8 GB | 文件 ↗ |
HARDWARE MATCH
哪些显卡或设备更适合运行？
按当前最小量化文件估算，至少需要 1GB 显存；如果希望为运行框架和上下文保留余量，优先参考推荐显存 2GB。
阅读 4GB 显存选型指南 →可以怎样运行
- 通过 llama.cpp 直接调用，可用 llama-completion 或 -sys/-st 传入系统提示
- 通过 Ollama 拉取并本地运行
- 通过 LM Studio 加载 GGUF 文件并调用
- 使用官方 CLI 工具 whatisit，自动拉取模型并集成 denylist
采用前要知道的限制
- 仅评估英文输入，模型卡未说明中文支持情况
- 单轮对话，不保留 Shell 状态或上下文记忆
- 输出上限 64 token，只能生成单条命令而非完整脚本
- 可能输出破坏性命令，必须人工逐条审核后再执行