---
license: apache-2.0
datasets:
  - HuggingFaceFW/fineweb-2
language:
  - fa
metrics:
  - bleu
  - brier_score
base_model:
  - uclanlp/plbart-multi_task-php
new_version: Qwen/QwQ-32B-Preview
library_name: flair
tags:
  - code
  - php
  - css
  - js
  - html
---

# مدل کارت برای مدل برنامه نویسی Chtgpt

## جزئیات مدل

### توضیحات مدل

مدل Chtgpt یک مدل پردازش زبان طبیعی است که برای تولید، درک و بازنویسی کد به زبان فارسی توسعه یافته است. این مدل با هدف بهبود کارایی و خوانایی کدها طراحی شده است و قابلیت کار با زبان های برنامه نویسی وب مانند PHP, CSS, JS و HTML را دارا می باشد.

*   **توسعه دهنده:** [amirbasim]
*   **زبان(های) (NLP):** فارسی
*   **مجوز:** Apache 2.0
*   **مدل پایه:** `uclanlp/plbart-multi_task-php`
*   **نسخه جدید:** `Qwen/QwQ-32B-Preview`
*    **کتابخانه:** `flair`

### منابع مدل

*   **مخزن:** [لینک به مخزن مدل در Hugging Face]
*   **مقاله:** [لینک به مقاله مربوط به مدل در صورت وجود]
*   **دمو:** [لینک به دموی آنلاین مدل در صورت وجود]

## موارد استفاده

### استفاده مستقیم

این مدل به صورت مستقیم برای موارد زیر قابل استفاده است:

*   تولید قطعه کد بر اساس توضیحات فارسی
*   بازنویسی کدها به منظور بهبود خوانایی و کارایی
*   اضافه کردن توضیحات و کامنت به کدهای موجود
*   تبدیل کدها بین زبان های مختلف (مانند PHP به JS)

### استفاده در پایین دست

این مدل پس از آموزش بیشتر و با استفاده از تنظیم دقیق (Fine-tuning)، می تواند برای موارد زیر استفاده شود:

*   تکمیل خودکار کد
*   تشخیص خطاهای کد
*   توسعه ابزارهای برنامه نویسی

### موارد خارج از محدوده استفاده

این مدل برای موارد زیر طراحی نشده است و ممکن است عملکرد درستی نداشته باشد:

*   تحلیل کدهای پیچیده و با معماری خاص
*   تولید کد برای زبان های برنامه نویسی غیر از موارد ذکر شده
*   استفاده در برنامه های حساس به امنیت

## تعصب، ریسک ها و محدودیت ها

این مدل ممکن است تعصبات موجود در داده های آموزشی را منعکس کند و در برخی موارد نتایج نادرستی ارائه دهد. محدودیت های فنی مدل شامل موارد زیر است:

*   احتمال عدم درک صحیح ساختارهای پیچیده کد
*   ممکن است در برخی موارد کدهای بهینه تولید نکند.
*   وابستگی به داده‌های آموزشی برای تولید و بازنویسی کد

### توصیه ها

کاربران باید از ریسک ها، تعصبات و محدودیت های فنی مدل آگاه باشند و نتایج را با دقت بررسی کنند. برای بهبود عملکرد مدل، پیشنهاد می شود از داده های آموزشی متنوع و با کیفیت استفاده شود.

## نحوه شروع کار با مدل

برای شروع کار با مدل، از قطعه کد زیر استفاده کنید:

```python
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("path/to/your/model")
model = AutoModelForSeq2SeqLM.from_pretrained("path/to/your/model")
inputs = tokenizer("your code here", return_tensors="pt")
outputs = model.generate(**inputs)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)