GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
krxi123
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
krxi123
Model Tree
Qwen/Qwen3-8B
Input Modalities
Output Modalities
Supported Functionality
Test projects are disjoint from training projects and were chosen to be little known (≤200 stars, mostly created in 2024 or later). Name F1 is token overlap between the predicted and the real name.
| Model | fixed v4 test sample (n=2,000) | eval_115 (n=115) |
|---|---|---|
| mimo-v2.6-pro with call context (large, reference) | 0.167 | 0.195 |
| deepseek-v4.1-flash with call context (large, reference) | 0.154 | 0.159 |
| this adapter (v5) | 0.124 | 0.155 |
| Qwen3-8B + LoRA v1 (name only, earlier run) | 0.106 | 0.094 |
The checkpoint is step 4,500 of 5,938, chosen by name F1 on 300 validation rows (0.263); the test sets were scored once with it.
The model was trained with this exact (Turkish) system prompt and with thinking disabled:
python
import json, torchfrom transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel SYSTEM = ('Sen deneyimli bir tersine mühendissin. Sana sembolleri silinmiş bir x86-64 fonksiyonu (Intel sözdizimi) ' 've varsa çağrı bağlamı verilecek. İç fonksiyonlar sub_XXXX diye gizlendi; dış kütüphane çağrıları görünür. ' 'Önce fonksiyonun ne yaptığını tek cümle İngilizce açıkla, sonra asıl kaynak adını snake_case veya kaynak ' 'stilinde bir tanımlayıcı olarak tahmin et, sonra tek cümle Türkçe açıkla. Yalnız bu sırada JSON dön: ' '{"aciklama_en": "Reads a record from the stream.", "ad": "read_record", "aciklama": "Akıştan bir kayıt okur."}') tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-8B")model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-8B", torch_dtype=torch.bfloat16, device_map="auto")model = PeftModel.from_pretrained(model, "krxi123/asmsense-qwen3-8b-lora") asm = "push\trbp\nmov\trbp, rsp\n..." # one function, Intel syntax, internal calls as sub_XXXXids = tok.apply_chat_template( [{"role": "system", "content": SYSTEM}, {"role": "user", "content": asm}], add_generation_prompt=True, enable_thinking=False, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**ids, max_new_tokens=160, do_sample=False)print(json.loads(tok.decode(out[0, ids["input_ids"].shape[1]:], skip_special_tokens=True)))# {"aciklama_en": "...", "ad": "...", "aciklama": "..."}The input format (how assembly is normalized and how the call context is appended) is produced by lora/hazirla.py in the repository; the Ghidra script in ghidra/ builds it from a real binary.
Apache-2.0, the same as the base model. The training sources are permissively licensed projects; see the dataset card for the list.
import json, torchfrom transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel SYSTEM = ('Sen deneyimli bir tersine mühendissin. Sana sembolleri silinmiş bir x86-64 fonksiyonu (Intel sözdizimi) ' 've varsa çağrı bağlamı verilecek. İç fonksiyonlar sub_XXXX diye gizlendi; dış kütüphane çağrıları görünür. ' 'Önce fonksiyonun ne yaptığını tek cümle İngilizce açıkla, sonra asıl kaynak adını snake_case veya kaynak ' 'stilinde bir tanımlayıcı olarak tahmin et, sonra tek cümle Türkçe açıkla. Yalnız bu sırada JSON dön: ' '{"aciklama_en": "Reads a record from the stream.", "ad": "read_record", "aciklama": "Akıştan bir kayıt okur."}') tok = AutoTokenizer.from_pretrained("Qwen/Qwen3-8B")model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-8B", torch_dtype=torch.bfloat16, device_map="auto")model = PeftModel.from_pretrained(model, "krxi123/asmsense-qwen3-8b-lora") asm = "push\trbp\nmov\trbp, rsp\n..." # one function, Intel syntax, internal calls as sub_XXXXids = tok.apply_chat_template( [{"role": "system", "content": SYSTEM}, {"role": "user", "content": asm}], add_generation_prompt=True, enable_thinking=False, return_tensors="pt", return_dict=True).to(model.device)out = model.generate(**ids, max_new_tokens=160, do_sample=False)print(json.loads(tok.decode(out[0, ids["input_ids"].shape[1]:], skip_special_tokens=True)))# {"aciklama_en": "...", "ad": "...", "aciklama": "..."}