Instructions to use Shokou1/qwen3.5-4B-dawcoder with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Shokou1/qwen3.5-4B-dawcoder with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="Shokou1/qwen3.5-4B-dawcoder")

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("Shokou1/qwen3.5-4B-dawcoder", device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use Shokou1/qwen3.5-4B-dawcoder with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Use Docker

docker model run hf.co/Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use Shokou1/qwen3.5-4B-dawcoder with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Shokou1/qwen3.5-4B-dawcoder"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Shokou1/qwen3.5-4B-dawcoder",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

SGLang

How to use Shokou1/qwen3.5-4B-dawcoder with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "Shokou1/qwen3.5-4B-dawcoder" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Shokou1/qwen3.5-4B-dawcoder",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "Shokou1/qwen3.5-4B-dawcoder" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Shokou1/qwen3.5-4B-dawcoder",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use Shokou1/qwen3.5-4B-dawcoder with Ollama:
```
ollama run hf.co/Shokou1/qwen3.5-4B-dawcoder:Q4_K_M
```
Unsloth Desktop

How to use Shokou1/qwen3.5-4B-dawcoder with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "Shokou1/qwen3.5-4B-dawcoder:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use Shokou1/qwen3.5-4B-dawcoder with Docker Model Runner:
```
docker model run hf.co/Shokou1/qwen3.5-4B-dawcoder:Q4_K_M
```

Lemonade

How to use Shokou1/qwen3.5-4B-dawcoder with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Run and chat with the model

lemonade run user.qwen3.5-4B-dawcoder-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use Shokou1/qwen3.5-4B-dawcoder with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use Shokou1/qwen3.5-4B-dawcoder with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Shokou1/qwen3.5-4B-dawcoder:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "Shokou1/qwen3.5-4B-dawcoder:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

qwen3.5-4B-dawcoder：Qwen3.5-4B 基座 · 4B 参数 · GGUF Q4_K_M · Ollama 开箱即用（preview / sft-v2 / grpo-v3）

4B 参数 · 基座 Qwen3.5-4B · LoRA r=64 · GGUF Q4_K_M（约 2.52 GB/个）· 上下文 16K · Apache-2.0

如果这个项目对你有用，欢迎给仓库点个 Star，让更多做音乐 AI / Agent 的人找到它。

DAWcoder 是一个 4B 音乐制作参数模型：输入「工程状态 + 自然语言制作意图」，输出可执行、可校验、可回滚的 DAW 参数补丁 JSON。它不生成音频，只生成工程参数——可直接在 DAW 里执行、被 schema 校验、被渲染指标闭环验证。

模型规格

项	值
参数量	4B
基座模型	Qwen3.5-4B（Apache-2.0）
微调方式	LoRA r=64，all-linear，bf16 训练
量化发布	GGUF Q4_K_M（约 2.52 GB / 个，Ollama 直接加载）
上下文长度	16,384 tokens
输出长度	最多 8,192 tokens
采样参数	temperature 0 / top_p 0.95 / repeat_penalty 1.0
许可	Apache-2.0（保留 Qwen3.5-4B 原许可声明）

三代权重（同一基座，逐代后训练）

代号	训练阶段	GGUF 文件
preview（SFT v1）	CPT 37.1M tokens + 3,240 条任务 SFT	`dawcoder-preview-Q4_K_M.gguf`
sft-v2	完整序列 SFT 续训（100 optimizer steps，零截断）	`dawcoder-sft-v2-Q4_K_M.gguf`
grpo-v3	sft-v2 上 GRPO 24 步（KL β=0.05）	`dawcoder-grpo-v3-Q4_K_M.gguf`

评测对比（固定口径：val 60 条均衡，seed 20261107，temp 0，num_predict 8192）

模型	JSON 解析	schema 合法	mix	form	texture	reward(overall)
preview（SFT v1）	100%	100%	20/20	20/20	20/20	0.9657
sft-v2	100%	100%	20/20	20/20	20/20	0.9710
grpo-v3	100%	100%	20/20	20/20	20/20	0.9710

schema 合法率：输出能被 patch_validation 校验通过（字段、范围、任务结构）。
reward：0.2 JSON 解析 + 0.35 schema 合法 + 0.45 与金标准 patch 的相似度（mix 参数距离 / form 段名与 bars / texture note 重合）。
相对 preview，sft-v2 / grpo-v3 在 mix 上提升（reward 0.9097 → 0.9246），form/texture 持平，无任务退化；sft-v2 与 grpo-v3 在当前 60 条粒度上并列。

评测只衡量"格式正确 + 与参考参数接近"，不代表听感或混音质量；真实混音需人工 A/B 或 DAW 渲染闭环。

Ollama 快速开始

# 1) 下载对应的 GGUF（本页 Files / GitHub Release）
#    GitHub 附件为 2GB 分卷，按 docs/MERGE-GGUF.md 合并

# 2) 用仓库里的 Modelfile 创建模型（已内置 system prompt 与采样参数）
ollama create dawcoder-grpo-v3 -f Modelfile.dawcoder-grpo-v3

# 3) 运行
ollama run dawcoder-grpo-v3

输入（user 消息是 JSON）：

{"task":"mix","state":{"genre":"pop","tempo":120,"tracks":[{"name":"Lead Vocal","role":"vocal","volume_db":-8.0,"pan":0.0}]},"intent":"人声被鼓盖住了，帮我推出来一点，别太吵"}

输出示例（mix 任务）：

{"ops":[{"op":"set_track","track":"Lead Vocal","fields":{"volume_db":-6.5}},{"op":"set_eq","track":"Pad","fields":{"band":2,"type":"bell","freq":315,"gain_db":-1.5,"q":1.0}}]}

task=mix → {"ops":[...]}：set_track / set_eq / set_comp / set_send / add_marker
task=form → {"sections":[...],"markers":[...]}
task=texture → {"notes":[{"bar","step","key","len_steps","vel"}]}

三代演进

代	训练	关键点
preview	CPT（37.1M tokens，400 steps）+ SFT（3,240 条，200 steps）	首个可用的意图→参数模型；schema 100%
sft-v2	从 preview 的 SFT adapter 续训：完整序列 SFT（max seq 4096，零截断），100 optimizer steps，lr 1e-5	mix reward 提升；训练 loss mix 0.122 / form 0.168 / texture 0.146
grpo-v3	从 sft-v2 出发 GRPO：24 步、100 rollouts（99 条 schema 合法，1 条超长 texture 截断未入 RL），KL β=0.05，lr 1e-6	与 sft-v2 固定评测并列；训练组 reward mix 0.979 / form 0.914 / texture 0.942

适用场景

混音参数建议：EQ / 压缩 / 音量 / 声像 / send 的 patch 候选（人工确认后执行）；
曲式结构草稿：Intro/Verse/Chorus/Bridge 的 sections + markers；
织体/琶音生成：texture 任务的 note 序列（bar/step/key/len/vel）；
Agent 工作流中间层：模型输出 patch → schema 校验 → 在 DAW 中执行 → 渲染测量；
训练/评测研究：可搭配 daw-mcp-server 做闭环验证。

限制（务必阅读）

仅参数，不生成音频；不替代混音师判断；
训练数据以合成任务数据为主，真实工程泛化有限；第三方插件参数映射未覆盖（当前为抽象 ops）；
中文意图支持有限（SFT 以英文/JSON 为主，中文主要来自 CPT 语料）；
固定评测仅 60 条，sft-v2 与 grpo-v3 的差异在当前粒度不可区分；
schema 合法 ≠ 混音正确；参数建议应人工确认或经渲染指标验证；
受版权内容（REAPER / FL Studio 手册等）不在训练语料中。

数据与许可

基座：Qwen3.5-4B（Apache-2.0），本模型权重按 Apache-2.0 发布并保留原声明；
训练语料：CC BY-SA 4.0 / 公版 / MIT / CC0（见 open-music-production-corpus）；
任务数据：自建合成数据（CC0），见 dawcoder-datasets；
工程/符号数据：open-music-engineering-data；
DAW 自动化/评测工具：daw-mcp-server。

引用

@misc{dawcoder2026,
  title  = {DAWcoder: A 4B Music-Production Parameter Model (Qwen3.5-4B + LoRA, GGUF)},
  author = {ShokouP},
  year   = {2026},
  url    = {https://github.com/ShokouP/qwen3.5-4B-dawcoder},
  note   = {4B parameters, Qwen3.5-4B base, LoRA r=64, GGUF Q4_K_M, Ollama-ready}
}

Downloads last month: -

GGUF

Model size

4B params

Architecture

qwen35

Hardware compatibility

4-bit

Model tree for Shokou1/qwen3.5-4B-dawcoder

Base model

Qwen/Qwen3.5-4B-Base

Finetuned

Qwen/Qwen3.5-4B

Adapter

(1,052)

this model