Qwen3 4B Esper3

🚀 埃斯珀3（Esper 3）模型

埃斯珀3（Esper 3）是基于通义千问3（Qwen 3）构建的编码、架构和DevOps推理专家模型。它在特定数据集上进行了微调，具备出色的编码、推理和解决问题的能力，且小模型尺寸允许在本地桌面和移动设备上运行，同时支持超快速的服务器推理。

🚀 快速开始

模型信息

支持开源

支持我们的开源数据集和模型发布！


✨ 主要特性

• 专业微调：在我们使用Deepseek R1生成的[DevOps和架构推理](https://huggingface.co/datasets/sequelbox/Titanium2.1 - DeepSeek - R1)以及[代码推理](https://huggingface.co/datasets/sequelbox/Tachibana2 - DeepSeek - R1)数据上进行了微调。
• 推理能力提升：改进了[通用和创造性推理](https://huggingface.co/datasets/sequelbox/Raiden - DeepSeek - R1)，以补充解决问题和通用聊天性能。
• 轻量级运行：小模型尺寸允许在本地桌面和移动设备上运行，同时支持超快速的服务器推理。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "ValiantLabs/Qwen3-4B-Esper3"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
prompt = "Write a Terraform configuration that uses the `aws_ami` data source to find the latest Amazon Linux 2 AMI. Then, provision an EC2 instance using this dynamically determined AMI ID."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True # 在思考和非思考模式之间切换。默认值为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本生成
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考内容
try:
    # rindex查找151668 (</think>)
    index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
    index = 0

thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

print("thinking content:", thinking_content)
print("content:", content)


📄 许可证

本项目采用apache - 2.0许可证。

埃斯珀3由Valiant Labs创建。

查看我们的HuggingFace页面，了解我们的所有模型！

我们关注开源，让每个人都能使用。