Разработчик Manuel García Sanz опубликовал на Hugging Face семейство моделей dale — дообученные версии Qwen3.5, которые переводят запрос на английском или испанском в одну bash-команду для Linux. Младшая модель dale-0.8b набрала 79,4% на публичном тесте dale-bash-test-v2 из 471 задачи, тогда как полноразмерные Qwen3.5-9B и Gemma 4 E4B-it без дообучения дают 62,8%. Модель работает полностью офлайн на CPU через llama.cpp, риск предложенной команды оценивает детерминированный код, а не нейросеть, и запуск происходит только после подтверждения пользователя.

image

Что произошло

Manuel García Sanz выложил на Hugging Face четыре модели — dale-0.8b, dale-2b, dale-4b и dale-9b, дообученные версии Qwen3.5, которые принимают запрос на английском или испанском и возвращают JSON с полями type (command, refuse, unsure), command и explanation: модель либо предлагает команду, либо отказывается, либо признаёт неуверенность. На том же публичном тесте dale-bash-test-v2 из 471 задачи Qwen3.5-4B без дообучения набирает 54,6%, базовый Qwen3.5-0.8B того же размера, что и младшая dale, — 14,9%, а старшие версии семейства достигают 87,0% (dale-4b) и 89,2% (dale-9b). Модель dale-0.8b в формате GGUF Q4_K_M весит 529,3 МБ и на ноутбуке 2020 года с четырьмя ядрами и восемью потоками работает на CPU через llama.cpp с медианной задержкой 1,72 с, а её веса распространяются под Apache-2.0. Вместе с моделями опубликован CLI-инструмент dale под лицензией MIT — один нативный бинарник размером около 51 МБ, который размечает предложенную команду метками риска safe/caution/danger и запрашивает подтверждение перед запуском.

Контекст

Задача перевода естественного языка в команды оболочки (nl2bash) требует от модели превратить человеческую формулировку в исполнимую команду без ошибок в флагах и синтаксисе, и универсальные LLM спотыкаются о жёсткие требования к формату вывода. Главный ресурс в dale — не размер, а узкое дообучение: именно качество обучающего датасета, судя по отрыву от базовой модели того же размера, сыграло определяющую роль в росте точности. Эффект «специализация бьёт масштаб» в узких доменах — известное и многократно описанное в индустрии явление, поэтому результат демонстрирует устоявшуюся практику SFT, а не новый тип архитектуры, хотя внутри семейства масштаб по-прежнему полезен и старшие версии заметно точнее младших. Архитектурно проект реализует гибридный шаблон «нейросеть предлагает, детерминированный код решает»: модель лишь возвращает вариант команды с объяснением, а оценка опасности и разрешение на запуск остаются за обычным кодом — распространённый подход к безопасности агентов, работающих с терминалом. Кейс продолжает и более широкое движение отрасли к малым локальным специализированным моделям как альтернативе дорогим фронтирным вызовам к большим моделям.

Почему это важно для индустрии

Для создателей AI-продуктов dale интересен прежде всего как воспроизводимый шаблон дешёвой локальной AI-функции: дообученная субгигабайтная модель возвращает структурированный JSON с тремя состояниями (command, refuse, unsure), а опасность команды оценивает детерминированный верификатор, а не сама модель, и такую схему можно переносить на другие узкие домены. Встроить офлайн-функцию nl2bash в продукт для Linux x86_64 можно уже сегодня: веса под Apache-2.0 распространяются бесплатно и ставятся одной командой, из-за чего разработчики обёрток над большими API в этой нише получают первого дешёвого конкурента. Кейс подтверждает тренд, при котором доступ к крупной модели перестаёт быть преимуществом в узких структурированных задачах: специализированная модель примерно в 11 раз меньше соперника решает их лучше почти без инфраструктурных затрат. Для продакшен-встраивания данных пока не хватает: у dale нет API и serving-стека, а пропускная способность решения не измерена.

Почему это важно для пользователей

dale готов к использованию на личной машине уже сейчас и работает полностью офлайн, так что формулировки запросов не покидают устройство пользователя. Установка сводится к одной команде: нативный бинарник около 51 МБ требует Linux x86_64 с поддержкой AVX2 и glibc 2.29+. Типичный вызов выглядит как dale "find the files over 200 MB in this folder": модель предлагает команду, коротко объясняет, что та делает, размечает уровень опасности как safe/caution/danger и спрашивает подтверждение перед исполнением. Примерно одна команда из пяти на тесте оказывается ошибочной, поэтому готовый текст стоит каждый раз перечитывать своими глазами перед запуском. Если есть GPU с 4 ГБ VRAM и более, смысл имеет переход на старшие dale-4b и dale-9b, которые ощутимо точнее. Границы жёсткие: поддерживается только bash и только Linux, без zsh, fish и macOS.

Что пока неизвестно / ограничения

Почти все опубликованные характеристики — авторские измерения: подсчёт ведётся на собственном бенчмарке dale-bash-test-v2, доверительные интервалы не приведены, а конфигурация базлайнов, включая zero-shot или few-shot промптинг, формат вывода и температуру, не описана, поэтому отрыв порядка 78 задач из 471 без независимой проверки может оказаться хрупким. Тест публичен и проверяем третьими сторонами, но пересечение его распределения с обучающими данными исключить нельзя — типичный риск авторского бенчмарка. Состав, объём и происхождение датасета дообучения не раскрыты, хотя именно его качество, скорее всего, обеспечило основной скачок относительно базовой модели того же размера. Прогнозы о массовом копировании шаблона «три состояния плюс детерминированный верификатор» и о микромоделях для других командных языков — интерпретация, а не факт из источников.

Источники

Автор

Look at AI, редакция