Qwen3.5-4B-SFT-decompiler-O0-full

Qwen3.5-4B-SFT-decompiler-O0-full

把反编译器的输出改写成可读的 C 源码，带有有意义的名称和正确的类型。这是在未优化二进制上训练的 Qwen3.5-4B 微调模型，适合安全研究者和逆向工程师。

由 Divij 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是 Qwen3.5-4B 的微调版本，用于二进制反编译。你把 Ghidra、IDA Pro 或 angr 等反编译器生成的 C 代码交给它，它会预测原本由人写出的源码。原始输出往往难以阅读，变量用的是占位名称，数字以十六进制书写，分支也很纠缠。模型返回的代码更干净，有有意义的名称和正确的类型。它在 O0 子集上训练，也就是没有经过编译器优化的代码。

适合谁：阅读反编译代码，并想要一个更干净起点的安全研究者和逆向工程师。

Industry | Who uses it | How they use it | Example
安全研究 | 研究二进制程序的分析师 | 输入反编译器的输出，阅读还原出的源码 | 整理反汇编程序里的一个函数
逆向工程 | 分析编译后代码的工程师 | 把模型的输出与原始反编译文本对比 | 检查还原的逻辑是否与控制流一致
研究 | 研究反编译的人 | 用控制流图等结构性指标来评估 | 复现模型卡里的图编辑距离测试

如果你的二进制是用编译器优化构建的，可以跳过它，因为模型卡只介绍了 O0 子集。

用在哪里：它可以配合 transformers 库或 vLLM 运行。文件可以在 Windows、macOS 或 Linux 上下载。

• 带 transformers 和 torch 的 Python
• vLLM，模型卡推荐用于批量推理
• Windows、macOS 或 Linux：可以用 Python 获取文件的系统

Use case | Who | What they get back
函数还原 | 逆向工程师 | 一个反编译函数对应的可读 C 代码
批量整理 | 分析师 | 通过 vLLM 得到许多函数的还原源码
基准测试 | 研究者 | 与基线的控制流对比

如何设置：你需要 Python 和能容纳 4.7B 模型的 GPU。bf16 权重约 9.3 GB。

• 带 pip 的 Python
• transformers，批量工作则用 vLLM
• bf16 权重约 9.3 GB 空间，4-bit 估计约 2.3 GB

1. 安装 Hugging Face hub 库。
2. 下载模型文件，或让你的代码按名称自行获取。
3. 用 transformers 或 vLLM 运行加载代码。

pip install -U huggingface_hub
hf download Divij/Qwen3.5-4B-SFT-decompiler-O0-full

如何使用：把反编译代码放进一条聊天消息，应用关闭思考的聊天模板，然后生成。下面的 vLLM 版本是模型卡推荐用于批量处理的。

import vllm

llm = vllm.LLM(model="Divij/Qwen3.5-4B-SFT-decompiler-O0-full", trust_remote_code=True)
sampling_params = vllm.SamplingParams(temperature=0, max_tokens=2048, skip_special_tokens=True)

# Format prompt using chat template
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("Divij/Qwen3.5-4B-SFT-decompiler-O0-full", trust_remote_code=True)

decompiled_code = "..."  # your decompiled code here
messages = [{"role": "user", "content": decompiled_code}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)

outputs = llm.generate([prompt], sampling_params)
print(outputs[0].outputs[0].text)

Tool | What it does
vllm.LLM | 加载模型，用于快速批量生成
vllm.SamplingParams | 设置贪心解码和 2048 token 的上限
apply_chat_template | 把你的反编译代码转成模型提示词

示例：你粘贴一个比较两个加密策略结构的反编译函数，里面满是 a0 和 v1 这样的名字。模型返回同一个函数的 C 源码，变量名有意义，控制流也很清晰。

新手与专家：如果你刚接触这类模型，反编译器会把程序还原成粗糙的代码，而这个模型负责把代码整理干净。先用一个简短的函数，对照原始的反编译文本阅读结果。

如果你熟悉这个领域，模型卡说训练使用了来自多个反编译器的 29,698 个 O0 样本，训练两个周期，学习率为 5e-6。评估通过图编辑距离比较控制流图，零表示图完全相同。

反编译的 C 代码进入提示词
聊天模板构建输入
模型生成源码
你阅读还原出的 C 代码

注意事项：模型卡报告了它在 5,942 个样本的 O0 测试集上的自测结果。图编辑距离越低越好。

Title: 模型卡测试，控制流图距离
Measure | This model | Raw decompiler output
Mean distance | 12.36 | 15.92
Median distance | 0.00 | 5.00
Perfect matches | 75.0 percent | 34.9 percent

在 99.9% 的情况下，模型生成的代码能被检查器解析。

• License: Apache 2.0
• Cost to run: 未提及，硬件由你自己提供
• Data it reaches: 你传入的反编译代码
• Not for: 经过优化的二进制，因为模型卡只涵盖 O0 子集

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 参数量：4.7B
• Weights: about 9.3 GB in BF16; about 2.3 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：162
• 点赞：9
• 许可证：apache-2.0
• 语言：en
• 基于：Qwen/Qwen3.5-4B
• Quantized versions: 1
• 标签：safetensors, qwen3_5, decompilation, code, security, reverse-engineering, text-generation, conversational

链接

• 模型：https://huggingface.co/Divij/Qwen3.5-4B-SFT-decompiler-O0-full
• 文件：https://huggingface.co/Divij/Qwen3.5-4B-SFT-decompiler-O0-full/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Divij/Qwen3.5-4B-SFT-decompiler-O0-full

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。