Qiskit Code Assistant

Qiskit Code Assistant LLMs มีเป้าหมายเพื่อทำให้การประมวลผลควอนตัมเข้าถึงได้ง่ายขึ้นสำหรับผู้ใช้ Qiskit รายใหม่ และปรับปรุงประสบการณ์การเขียนโค้ดสำหรับผู้ใช้ปัจจุบัน ฝึกฝนโดยใช้ text tokens หลายล้านตัวจาก Qiskit SDK ตัวอย่างโค้ด Qiskit หลายปี และฟีเจอร์ IBM Quantum® Qiskit Code Assistant ช่วยให้เวิร์กโฟลว์การพัฒนาควอนตัมด้วยการเสนอคำแนะนำที่สร้างโดย LLM บนพื้นฐาน IBM Granite and other open-source models ซึ่งรวมฟีเจอร์และฟังก์ชันการทำงานล่าสุดจาก IBM®

หมายเหตุ

ต้องการข้ามไปยังคำแนะนำการติดตั้ง? ไปที่ส่วน Install Qiskit Code Assistant
หากมีข้อเสนอแนะหรือต้องการติดต่อทีมพัฒนา ใช้ Qiskit Slack Workspace channel หรือ GitHub repositories สาธารณะที่เกี่ยวข้อง

Large Language Model (LLM) เบื้องหลัง Qiskit Code Assistant

เพื่อให้คำแนะนำโค้ด Qiskit Code Assistant ใช้ Large Language Model (LLM) ในกรณีนี้ Qiskit Code Assistant ปัจจุบันพึ่งพาโมเดล mistral-small-3.2-24b-qiskit ที่สร้างบน Mistral-Small-3.2-24B-Qiskit model โมเดล mistral-small-3.2-24b-qiskit ปรับปรุงความสามารถในการสร้างโค้ดของโมเดล Mistral-Small-3.2-24B-Instruct-2506 สำหรับ Qiskit ผ่านการฝึกล่วงหน้าแบบขยายและ fine-tuning บนข้อมูล Qiskit คุณภาพสูง รวมถึง Python commits และ chat สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตระกูลโมเดล Mistral AI โปรดดู Mistral AI documentation สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับโมเดล .*-qiskit ดู Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code

LLM ที่เชี่ยวชาญสำหรับ Qiskit ของเรายังมีให้ใช้งานเป็นโมเดลโอเพนซอร์ส ดูโมเดลทั้งหมดที่มีได้ที่ https://huggingface.co/Qiskit

Qiskit HumanEval และ Qiskit HumanEval Hard benchmarks

เพื่อทดสอบโมเดล mistral-small-3.2-24b-qiskit และโมเดลอื่น ๆ เราร่วมมือกับ Qiskit Advocates และผู้เชี่ยวชาญเพื่อสร้าง execution-based benchmarks ที่เรียกว่า Qiskit HumanEval (QHE) และ Qiskit HumanEval Hard (QHE Hard) และนำมาทดสอบกับโมเดลต่าง ๆ benchmarks เหล่านี้คล้ายกับ HumanEval ประกอบด้วยปัญหาโค้ดที่ท้าทายหลายอย่างที่ต้องแก้ไข ทั้งหมดอ้างอิงจากไลบรารี Qiskit อย่างเป็นทางการ

benchmarks ประกอบด้วยการทดสอบประมาณ 150 รายการ แต่ละรายการสร้างจากนิยามฟังก์ชัน ตามด้วย docstring ที่อธิบายรายละเอียดงานที่โมเดลต้องแก้ไข แต่ละตัวอย่างยังรวมถึงโซลูชันอ้างอิงที่เป็นมาตรฐาน รวมถึง unit tests เพื่อประเมินความถูกต้องของโซลูชันที่สร้าง มีระดับความยากสามระดับสำหรับการทดสอบ: พื้นฐาน กลาง และยาก Qiskit HumanEval Hard benchmark เป็นรูปแบบหนึ่งของ Qiskit HumanEval แต่ลบข้อมูลที่เกี่ยวข้องกับ code imports ออก ทำให้ LLM ต้องหาวิธีหรือ class imports ที่ถูกต้องเอง การเปลี่ยนแปลงนี้ทำให้ dataset ท้าทายมากขึ้นสำหรับ LLM ตามการทดสอบและผลลัพธ์เบื้องต้นของเรา

datasets สำหรับ Qiskit HumanEval และ Qiskit HumanEval Hard มีอยู่ที่เว็บไซต์เหล่านี้: Qiskit HumanEval และ Qiskit HumanEval สามารถมีส่วนร่วมในการพัฒนา benchmarks เหล่านี้ได้ที่ GitHub repository

ติดตั้ง Qiskit Code Assistant

เรียนรู้วิธีติดตั้ง กำหนดค่า และใช้งานโมเดล Qiskit Code Assistant ใด ๆ บนเครื่องโลคัลของคุณ

ดาวน์โหลดจากเว็บไซต์ Hugging Face

ทำตามขั้นตอนเหล่านี้เพื่อดาวน์โหลดโมเดลที่เกี่ยวข้องกับ Qiskit Code Assistant จากเว็บไซต์ Hugging Face:

ไปที่หน้าโมเดล Qiskit ที่ต้องการบน Hugging Face
ไปที่แท็บ Files and Versions และดาวน์โหลดไฟล์โมเดล safetensors หรือ GGUF

ดาวน์โหลดโดยใช้ Hugging Face CLI

เพื่อดาวน์โหลดโมเดล Qiskit Code Assistant ที่มีให้ใช้งานโดยใช้ Hugging Face CLI ให้ทำตามขั้นตอนเหล่านี้:

ติดตั้ง Hugging Face CLI
เข้าสู่ระบบ Hugging Face ของคุณ
```
huggingface-cli login
```
ดาวน์โหลดโมเดลที่คุณต้องการจากรายการก่อนหน้า
```
huggingface-cli download <HF REPO NAME> <MODEL PATH> --local-dir <LOCAL PATH>
```

ติดตั้งโมเดล Qiskit Code Assistant ในโลคัลผ่าน Ollama ด้วยตนเอง

มีหลายวิธีในการติดตั้งและโต้ตอบกับโมเดล Qiskit Code Assistant ที่ดาวน์โหลดมา คู่มือนี้สาธิตการใช้ Ollama ดังนี้: ด้วย แอปพลิเคชัน Ollama โดยใช้ Hugging Face Hub integration หรือโมเดลโลคัล หรือด้วย แพ็กเกจ llama-cpp-python

การใช้แอปพลิเคชัน Ollama

แอปพลิเคชัน Ollama มอบโซลูชันที่ง่ายในการรัน LLM ในโลคัล ใช้งานง่าย มี CLI ที่ทำให้กระบวนการตั้งค่า การจัดการโมเดล และการโต้ตอบค่อนข้างตรงไปตรงมา เหมาะสำหรับการทดลองอย่างรวดเร็วและสำหรับผู้ใช้ที่ต้องการรายละเอียดทางเทคนิคน้อยลง

ติดตั้ง Ollama

ดาวน์โหลด แอปพลิเคชัน Ollama
ติดตั้งไฟล์ที่ดาวน์โหลด
เปิดแอปพลิเคชัน Ollama ที่ติดตั้งแล้ว

ข้อมูล
แอปพลิเคชันทำงานสำเร็จเมื่อไอคอน Ollama ปรากฏในแถบเมนูเดสก์ท็อป คุณยังสามารถตรวจสอบว่าบริการกำลังทำงานโดยไปที่ http://localhost:11434/
ลอง Ollama ในเทอร์มินัลของคุณและเริ่มรันโมเดล ตัวอย่างเช่น:
```
ollama run hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit
```

ตั้งค่า Ollama โดยใช้ Hugging Face Hub integration

Ollama/Hugging Face Hub integration มอบวิธีโต้ตอบกับโมเดลที่โฮสต์บน Hugging Face Hub โดยไม่ต้องสร้าง modelfile ใหม่หรือดาวน์โหลดไฟล์ GGUF หรือ safetensors ด้วยตนเอง ไฟล์ template และ params เริ่มต้นรวมอยู่กับโมเดลบน Hugging Face Hub แล้ว

ตรวจสอบให้แน่ใจว่าแอปพลิเคชัน Ollama กำลังทำงาน
ไปที่หน้าโมเดลที่ต้องการและคัดลอก URL ตัวอย่างเช่น https://huggingface.co/Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF
จากเทอร์มินัลของคุณ รันคำสั่ง:
```
ollama run hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit
```

คุณสามารถใช้โมเดล hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit หรือโมเดล GGUF อย่างเป็นทางการที่แนะนำอื่น ๆ hf.co/Qiskit/mistral-small-3.2-24b-qiskit-GGUF หรือ hf.co/Qiskit/granite-3.3-8b-qiskit-GGUF

ตั้งค่า Ollama ด้วยโมเดล Qiskit Code Assistant GGUF ที่ดาวน์โหลดด้วยตนเอง

หากคุณดาวน์โหลดโมเดล GGUF ด้วยตนเอง เช่น https://huggingface.co/Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF และต้องการทดลองใช้ templates และพารามิเตอร์ต่าง ๆ คุณสามารถทำตามขั้นตอนเหล่านี้เพื่อโหลดเข้าแอปพลิเคชัน Ollama โลคัลของคุณ

สร้าง Modelfile โดยป้อนเนื้อหาต่อไปนี้และอย่าลืมอัปเดต <PATH-TO-GGUF-FILE> เป็นพาธจริงของโมเดลที่ดาวน์โหลด

FROM <PATH-TO-GGUF-FILE>
TEMPLATE """{{ if .System }}
System:
{{ .System }}

{{ end }}{{ if .Prompt }}Question:
{{ .Prompt }}

{{ end }}Answer:
```python{{ .Response }}
"""

PARAMETER stop "Question:"
PARAMETER stop "Answer:"
PARAMETER stop "System:"
PARAMETER stop "```"

PARAMETER temperature 0
PARAMETER top_k 1

รันคำสั่งต่อไปนี้เพื่อสร้าง custom model instance จาก Modelfile
```
ollama create Qwen2.5-Coder-14B-Qiskit -f ./path-to-model-file
```
หมายเหตุ
กระบวนการนี้อาจใช้เวลาสักครู่ในขณะที่ Ollama อ่านไฟล์โมเดล เริ่มต้น model instance และกำหนดค่าตามข้อกำหนดที่ระบุ

รันโมเดล Qiskit Code Assistant ที่ดาวน์โหลดด้วยตนเองใน Ollama

หลังจากตั้งค่าโมเดล Qwen2.5-Coder-14B-Qiskit ใน Ollama แล้ว รันคำสั่งต่อไปนี้เพื่อเปิดโมเดลและโต้ตอบกับมันในเทอร์มินัล (ในโหมด chat)

ollama run Qwen2.5-Coder-14B-Qiskit

คำสั่งที่มีประโยชน์บางคำสั่ง:

ollama list - แสดงรายการโมเดลบนคอมพิวเตอร์ของคุณ
ollama rm Qwen2.5-Coder-14B-Qiskit - ลบโมเดล
ollama show Qwen2.5-Coder-14B-Qiskit - แสดงข้อมูลโมเดล
ollama stop Qwen2.5-Coder-14B-Qiskit - หยุดโมเดลที่กำลังทำงานอยู่
ollama ps - แสดงรายการโมเดลที่กำลังโหลดอยู่ในปัจจุบัน

ติดตั้งโมเดล Qiskit Code Assistant ในโลคัลผ่าน package llama-cpp-python ด้วยตนเอง

ทางเลือกอื่นนอกจากแอปพลิเคชัน Ollama คือแพ็คเกจ llama-cpp-python ซึ่งเป็น Python binding สำหรับ llama.cpp มันให้การควบคุมและความยืดหยุ่นมากขึ้นในการรันโมเดล GGUF แบบโลคอล และเหมาะสำหรับผู้ใช้ที่ต้องการผสานรวมโมเดลโลคอลเข้ากับ workflow และแอปพลิเคชัน Python ของตน

ติดตั้ง llama-cpp-python
โต้ตอบกับโมเดลจากภายในแอปพลิเคชันของคุณโดยใช้ llama_cpp ตัวอย่างเช่น:

from llama_cpp import Llama

model_path = <PATH-TO-GGUF-FILE>

model = Llama(
        model_path,
        seed=17,
        n_ctx=10000,
        n_gpu_layers=37, # to offload in gpu, but put 0 if all in cpu
    )

input = 'Generate a quantum circuit with 2 qubits'
raw_pred = model(input)["choices"][0]["text"]

คุณยังสามารถเพิ่มพารามิเตอร์การสร้างข้อความให้กับโมเดลเพื่อปรับแต่งการ inference ได้ด้วย:

generation_kwargs = {
        "max_tokens": 512,
        "echo": False, # Echo the prompt in the output
        "top_k": 1
    }

raw_pred = model(input, **generation_kwargs)["choices"][0]["text"]

ติดตั้งโมเดล Qiskit Code Assistant ในโลคัลผ่าน llama.cpp ด้วยตนเอง

ใช้ไลบรารี `llama.cpp`

อีกทางเลือกหนึ่งคือใช้ llama.cpp ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับทำ LLM inference บน CPU โดยตั้งค่าน้อยที่สุด ไลบรารีนี้ให้การควบคุมการรันโมเดลในระดับต่ำ และมักจะรันจากคอมมานด์ไลน์ โดยชี้ไปยังไฟล์ GGUF model ในเครื่อง

มีหลายวิธีในการติดตั้ง llama.cpp บนเครื่องของคุณ:

ติดตั้ง llama.cpp โดยใช้ brew, nix หรือ winget
รันด้วย Docker: ดู เอกสาร Docker โดยทีม llama.cpp
ดาวน์โหลด pre-built binaries จาก หน้า releases
สร้างจากซอร์สโดย clone repository นี้

เมื่อติดตั้งแล้ว คุณสามารถใช้ llama.cpp เพื่อโต้ตอบกับโมเดล GGUF ในโหมดสนทนาได้ดังนี้:

# Use a local model file \{#use-a-local-model-file}
llama-cli -m my_model.gguf -cnv

# Or download and run a model directly from Hugging Face \{#or-download-and-run-a-model-directly-from-hugging-face}
llama-cli -hf Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF -cnv

คุณยังสามารถเปิดใช้งาน API server ที่รองรับ OpenAI สำหรับโมเดลได้ในลักษณะต่อไปนี้:

llama-server -hf Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF

พารามิเตอร์ขั้นสูง

ด้วยโปรแกรม llama-cli คุณสามารถควบคุมการสร้างผลลัพธ์ของโมเดลได้โดยใช้ตัวเลือกคอมมานด์ไลน์ ตัวอย่างเช่น คุณสามารถระบุ “system” prompt เริ่มต้นโดยใช้แฟล็ก -p/--prompt ในโหมดสนทนา (-cnv) prompt เริ่มต้นนี้จะทำหน้าที่เป็นข้อความระบบ มิฉะนั้น คุณสามารถเติมคำสั่งที่ต้องการไว้หน้าข้อความ prompt ของคุณได้ คุณยังสามารถปรับพารามิเตอร์การสุ่มตัวอย่างได้ เช่น temperature (--temp), top-k (--top-k), top-p (--top-p), repetition penalty (--repeat-penalty) และ seed ที่จะใช้ (--seed) ต่อไปนี้คือตัวอย่างการเรียกใช้งานโดยใช้ตัวเลือกเหล่านี้:

llama-cli -hf Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF \
  -p "You are a friendly assistant." -cnv \
  --temp 0.7 \
  --top-k 50 \
  --top-p 0.95 \
  --repeat-penalty 1.1 \
  --seed 42

เพื่อให้แน่ใจว่าโมเดล Qiskit ของเราทำงานได้อย่างถูกต้อง เราแนะนำให้ใช้ system prompt ที่ให้ไว้ใน HF GGUF repositories ของเรา: system prompt สำหรับ mistral-small-3.2-24b-qiskit-GGUF, Qwen2.5-Coder-14B-Qiskit-GGUF, granite-3.3-8b-qiskit-GGUF และ granite-3.2-8b-qiskit-GGUF

เชื่อมต่อ Continue (VS Code) ด้วยตัวเอง

Continue (VS Code)

1. ติดตั้งส่วนขยาย

เปิด VS Code ไปที่ Extensions (Cmd+Shift+X) ค้นหา Continue แล้วติดตั้ง

2. เปิด config

คลิกไอคอน Continue ในแถบด้านข้าง จากนั้นคลิกไอคอนรูปเฟือง หรือเปิด command palette (Cmd+Shift+P) และรัน Continue: Open Config File

การทำเช่นนี้จะเปิด ~/.continue/config.yaml (หรือ config.json ในเวอร์ชันเก่ากว่า)

3. ตั้งค่าโมเดล

เพิ่มข้อความต่อไปนี้ลงใน config.yaml:

models:
  - name: Qiskit Code Assistant
    provider: ollama
    model: mistral-small-3.2-24b-qiskit
    apiBase: http://localhost:11434

การทำเช่นนี้จะทำให้โมเดล Qiskit พร้อมใช้งานใน แผงแชท (การสนทนาในแถบด้านข้าง คำถามและคำตอบแบบ inline) และสำหรับคำสั่ง inline edit

4. Test it

แชท: เปิดแผง Continue ในแถบด้านข้างและถามคำถาม (เช่น "How do I create a parameterized circuit in Qiskit?")
Inline edit: เลือกบล็อกโค้ด แล้วกด Cmd+I (Mac) หรือ Ctrl+I (Linux/Windows)

เชื่อมต่อ Jupyter AI (JupyterLab) ด้วยตัวเอง

Jupyter AI (JupyterLab)

หมายเหตุ: คำแนะนำเหล่านี้ครอบคลุม Jupyter AI v2.x

1. ติดตั้ง Jupyter AI และ Ollama provider

pip install "jupyter-ai<3" langchain-ollama

การ pin "jupyter-ai<3" จะทำให้มั่นใจว่าคุณได้ใช้ v2.x แพ็กเกจ langchain-ollama จำเป็นสำหรับให้ Jupyter AI ตรวจพบ Ollama เป็น provider หากไม่มีแพ็กเกจนี้ Ollama จะไม่ปรากฏในแผงตั้งค่า

จากนั้นรีสตาร์ท JupyterLab

2. ตั้งค่าโมเดลแชท

เปิด JupyterLab แล้วคลิก ไอคอนแชท ในแถบด้านข้างซ้าย ในแผงตั้งค่า:

ที่ Language model เลือก Ollama เป็น provider
ป้อน mistral-small-3.2-24b-qiskit เป็นชื่อโมเดล
ไม่ต้องใช้ API key สำหรับ Ollama (เว้นช่องนี้ว่างไว้)
คลิกลูกศรย้อนกลับเพื่อเริ่มแชท

3. ใช้คำสั่ง magic `%%ai`

คำสั่ง magic %%ai ช่วยให้คุณสอบถามโมเดลได้โดยตรงในเซลล์ notebook

%load_ext jupyter_ai_magics

จากนั้นในเซลล์:

%%ai ollama:mistral-small-3.2-24b-qiskit
Write a function that implements Grover's algorithm using Qiskit

4. Ollama host แบบกำหนดเอง (ไม่บังคับ)

โดยค่าเริ่มต้น Jupyter AI จะเชื่อมต่อไปยัง http://127.0.0.1:11434 หาก Ollama server ของคุณรันอยู่บนที่อยู่หรือพอร์ตอื่น:

ใน UI แชท: ตั้งค่าช่อง "Base API URL" ในแผงตั้งค่า AI

เชื่อมต่อ OpenCode (Terminal) ด้วยตัวเอง

OpenCode (Terminal)

1. ติดตั้ง OpenCode

curl -fsSL https://opencode.ai/install | bash

2. ตั้งค่าโมเดล Qiskit

สร้างไฟล์ opencode.json ในไดเรกทอรีรากของโปรเจกต์ (หรือ ~/.config/opencode/opencode.json สำหรับการตั้งค่าแบบทั่วไป):

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama (local)",
      "options": {
        "baseURL": "http://localhost:11434/v1"
      },
      "models": {
        "mistral-small-3.2-24b-qiskit": {
          "name": "Qiskit Code Assistant"
        }
      }
    }
  }
}

3. เลือกโมเดล

เปิด OpenCode ในไดเรกทอรีโปรเจกต์ของคุณ:

opencode

ภายใน TUI รันคำสั่ง /models แล้วเลือก Qiskit Code Assistant จากรายการ

4. Test it

ถามคำถามได้โดยตรงในแชท เช่น: "Define a Bell circuit and run it using QiskitRuntimeService"

โมเดลที่มีให้ใช้งาน

โมเดลปัจจุบัน

นี่คือโมเดลล่าสุดที่แนะนำสำหรับใช้กับ Qiskit Code Assistant:

Qiskit/mistral-small-3.2-24b-qiskit - เผยแพร่ตุลาคม 2025
Qiskit/Qwen2.5-Coder-14B-Qiskit - เผยแพร่มิถุนายน 2025
qiskit/granite-3.3-8b-qiskit - เผยแพร่มิถุนายน 2025
qiskit/granite-3.2-8b-qiskit - เผยแพร่มิถุนายน 2025

โมเดล GGUF (แนะนำสำหรับสภาพแวดล้อมส่วนตัว/แล็ปท็อป)

โมเดลรูปแบบ GGUF ได้รับการปรับให้เหมาะกับการใช้งานในเครื่อง และต้องการทรัพยากรการประมวลผลน้อยกว่า:

mistral-small-3.2-24b-qiskit-GGUF – เผยแพร่ ตุลาคม 2025

ฝึกด้วยข้อมูล Qiskit จนถึงเวอร์ชัน 2.1
Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF – เผยแพร่ มิถุนายน 2025

ฝึกด้วยข้อมูล Qiskit จนถึงเวอร์ชัน 2.0
qiskit/granite-3.3-8b-qiskit-GGUF – เผยแพร่ มิถุนายน 2025

ฝึกด้วยข้อมูล Qiskit จนถึงเวอร์ชัน 2.0
qiskit/granite-3.2-8b-qiskit-GGUF – เผยแพร่ มิถุนายน 2025

ฝึกด้วยข้อมูล Qiskit จนถึงเวอร์ชัน 2.0

โมเดล Qiskit Code Assistant แบบโอเพนซอร์สมีให้ใช้งานในรูปแบบ safetensors หรือ GGUF file format และสามารถดาวน์โหลดได้จาก Hugging Face ตามที่อธิบายไว้ด้านล่าง

เวอร์ชัน Qiskit ที่ใช้ในการฝึกโมเดล

Model						Benchmark Metrics					Release date	Trained on Qiskit version
	QiskitHumanEval-Hard	QiskitHumanEval	HumanEval	ASDiv	MathQA	SciQ	MBPP	IFEval	CrowsPairs (English)	TruthfulQA (MC1 acc)
mistral-small-3.2-24b-qiskit	32.45	47.02	77.49	3.77	49.68	97.50	64.00	48.44	67.08	39.41	January 2026	2.2
Qwen2.5-Coder-14B-Qiskit	25.17	49.01	91.46	4.21	53.90	97.00	77.60	49.64	65.18	37.82	June 2025	2.0
granite-3.3-8b-qiskit	14.57	27.15	62.80	0.48	38.66	93.30	52.40	59.71	59.75	39.05	June 2025	2.0
granite-3.2-8b-qiskit	9.93	24.50	57.32	0.09	41.41	96.30	51.80	60.79	66.79	40.51	June 2025	2.0
granite-8b-qiskit-rc-0.10	15.89	38.41	59.76	—	—	—	—	—	—	—	February 2025	1.3
granite-8b-qiskit	17.88	44.37	53.66	—	—	—	—	—	—	—	November 2024	1.2

หมายเหตุ: โมเดลทั้งหมดที่ระบุในตารางเปรียบเทียบผลได้รับการประเมินโดยใช้ system prompt ของตนเอง ซึ่งกำหนดไว้ในโมเดล Hugging Face ของแต่ละโมเดล

โมเดลที่เลิกใช้งาน

โมเดลเหล่านี้ไม่ได้รับการดูแลอย่างต่อเนื่องอีกต่อไป แต่ยังคงใช้งานได้:

qiskit/granite-8b-qiskit-rc-0.10 - เผยแพร่กุมภาพันธ์ 2025 (เลิกใช้งาน)
qiskit/granite-8b-qiskit - เผยแพร่พฤศจิกายน 2024 (เลิกใช้งาน)

ข้อมูลเพิ่มเติมและการอ้างอิง

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Qiskit Code Assistant, Qiskit HumanEval หรือเกณฑ์เปรียบเทียบ Qiskit HumanEval Hard และอ้างอิงในสิ่งพิมพ์ทางวิทยาศาสตร์ของคุณ โปรดดูการอ้างอิงที่แนะนำเหล่านี้:

@misc{2405.19495,
Author = {Nicolas Dupuis and Luca Buratti and Sanjay Vishwakarma and Aitana Viudes Forrat and David Kremer and Ismael Faro and Ruchir Puri and Juan Cruz-Benito},
Title = {Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code},
Year = {2024},
Eprint = {arXiv:2405.19495},
}

@misc{2406.14712,
Author = {Sanjay Vishwakarma and Francis Harkins and Siddharth Golecha and Vishal Sharathchandra Bajpe and Nicolas Dupuis and Luca Buratti and David Kremer and Ismael Faro and Ruchir Puri and Juan Cruz-Benito},
Title = {Qiskit HumanEval: An Evaluation Benchmark For Quantum Code Generative Models},
Year = {2024},
Eprint = {arXiv:2406.14712},
}

@misc{2508.20907,
Author = {Nicolas Dupuis and Adarsh Tiwari and Youssef Mroueh and David Kremer and Ismael Faro and Juan Cruz-Benito},
Title = {Quantum Verifiable Rewards for Post-Training Qiskit Code Assistant},
Year = {2025},
Eprint = {arXiv:2508.20907},
}

Large Language Model (LLM) เบื้องหลัง Qiskit Code Assistant​

Qiskit HumanEval และ Qiskit HumanEval Hard benchmarks​

ติดตั้ง Qiskit Code Assistant​

การใช้แอปพลิเคชัน Ollama​

ติดตั้ง Ollama​

ตั้งค่า Ollama โดยใช้ Hugging Face Hub integration​

ตั้งค่า Ollama ด้วยโมเดล Qiskit Code Assistant GGUF ที่ดาวน์โหลดด้วยตนเอง​

รันโมเดล Qiskit Code Assistant ที่ดาวน์โหลดด้วยตนเองใน Ollama​

ใช้ไลบรารี llama.cpp​

พารามิเตอร์ขั้นสูง​

Continue (VS Code)​

1. ติดตั้งส่วนขยาย​

2. เปิด config​

3. ตั้งค่าโมเดล​

4. Test it​

Jupyter AI (JupyterLab)​

1. ติดตั้ง Jupyter AI และ Ollama provider​

2. ตั้งค่าโมเดลแชท​

3. ใช้คำสั่ง magic %%ai​

4. Ollama host แบบกำหนดเอง (ไม่บังคับ)​

OpenCode (Terminal)​

1. ติดตั้ง OpenCode​

2. ตั้งค่าโมเดล Qiskit​

3. เลือกโมเดล​

4. Test it​

โมเดลที่มีให้ใช้งาน​

โมเดลปัจจุบัน​

โมเดล GGUF (แนะนำสำหรับสภาพแวดล้อมส่วนตัว/แล็ปท็อป)​

เวอร์ชัน Qiskit ที่ใช้ในการฝึกโมเดล​

โมเดลที่เลิกใช้งาน​

ข้อมูลเพิ่มเติมและการอ้างอิง​

Large Language Model (LLM) เบื้องหลัง Qiskit Code Assistant

Qiskit HumanEval และ Qiskit HumanEval Hard benchmarks

ติดตั้ง Qiskit Code Assistant

การใช้แอปพลิเคชัน Ollama

ติดตั้ง Ollama

ตั้งค่า Ollama โดยใช้ Hugging Face Hub integration

ตั้งค่า Ollama ด้วยโมเดล Qiskit Code Assistant GGUF ที่ดาวน์โหลดด้วยตนเอง

รันโมเดล Qiskit Code Assistant ที่ดาวน์โหลดด้วยตนเองใน Ollama

ใช้ไลบรารี `llama.cpp`

พารามิเตอร์ขั้นสูง

Continue (VS Code)

1. ติดตั้งส่วนขยาย

2. เปิด config

3. ตั้งค่าโมเดล

4. Test it

Jupyter AI (JupyterLab)

1. ติดตั้ง Jupyter AI และ Ollama provider

2. ตั้งค่าโมเดลแชท

3. ใช้คำสั่ง magic `%%ai`

4. Ollama host แบบกำหนดเอง (ไม่บังคับ)

OpenCode (Terminal)

1. ติดตั้ง OpenCode

2. ตั้งค่าโมเดล Qiskit

3. เลือกโมเดล

4. Test it

โมเดลที่มีให้ใช้งาน

โมเดลปัจจุบัน

โมเดล GGUF (แนะนำสำหรับสภาพแวดล้อมส่วนตัว/แล็ปท็อป)

เวอร์ชัน Qiskit ที่ใช้ในการฝึกโมเดล

โมเดลที่เลิกใช้งาน

ข้อมูลเพิ่มเติมและการอ้างอิง