Qiskit Code Assistant

Die Qiskit Code Assistant LLMs sollen Quantencomputing für neue Qiskit-Nutzer zugänglicher machen und das Programmiererlebnis für bestehende Nutzer verbessern. Er wurde mit Millionen von Text-Tokens aus dem Qiskit SDK, jahrelangen Qiskit-Code-Beispielen und IBM Quantum®-Funktionen trainiert. Qiskit Code Assistant kann deinen Quantum-Entwicklungsworkflow unterstützen, indem er LLM-generierte Vorschläge auf Basis von IBM Granite und anderen Open-Source-Modellen anbietet, die die neuesten Funktionen und Features von IBM® beinhalten.

Hinweise

Möchtest du direkt zu den Installationsanweisungen springen? Gehe zum Abschnitt Qiskit Code Assistant installieren.
Wenn du Feedback hast oder das Entwicklerteam kontaktieren möchtest, nutze den Qiskit Slack Workspace-Kanal oder die zugehörigen öffentlichen GitHub-Repositories.

Das Large Language Model (LLM) hinter Qiskit Code Assistant

Um Code-Vorschläge bereitzustellen, verwendet Qiskit Code Assistant ein Large Language Model (LLM). Konkret basiert Qiskit Code Assistant derzeit auf dem Modell mistral-small-3.2-24b-qiskit, das auf dem Mistral-Small-3.2-24B-Qiskit-Modell aufbaut. Das Modell mistral-small-3.2-24b-qiskit verbessert die Code-Generierungsfähigkeiten des Modells Mistral-Small-3.2-24B-Instruct-2506 für Qiskit durch erweitertes Pretraining und Fine-Tuning auf hochwertigen Qiskit-Daten sowie Python-Commits und Chat. Weitere Informationen zur Mistral-AI-Modellfamilie findest du in der Mistral-AI-Dokumentation. Weitere Details zu den .*-qiskit-Modellen findest du unter Qiskit Code Assistant: Training LLMs for generating Quantum Computing Code.

Unsere auf Qiskit spezialisierten LLMs sind auch als Open-Source-Modelle verfügbar. Alle verfügbaren Modelle findest du unter https://huggingface.co/Qiskit.

Die Qiskit HumanEval- und Qiskit HumanEval Hard-Benchmarks

Um das Modell mistral-small-3.2-24b-qiskit und andere Modelle zu testen, haben wir mit Qiskit Advocates und Experten zusammengearbeitet, um ausführungsbasierte Benchmarks namens Qiskit HumanEval (QHE) und Qiskit HumanEval Hard (QHE Hard) zu entwickeln und auf den Modellen auszuführen. Diese Benchmarks ähneln HumanEval und enthalten mehrere anspruchsvolle Code-Aufgaben, die alle auf den offiziellen Qiskit-Bibliotheken basieren.

Die Benchmarks bestehen aus etwa 150 Tests, von denen jeder aus einer Funktionsdefinition besteht, gefolgt von einem Docstring, der die Aufgabe beschreibt, die das Modell lösen soll. Jedes Beispiel enthält außerdem eine Referenz-Musterlösung sowie Unit-Tests zur Überprüfung der Korrektheit der generierten Lösungen. Es gibt drei Schwierigkeitsstufen für Tests: einfach, mittel und schwierig. Der Qiskit HumanEval Hard-Benchmark ist eine Variante des Qiskit HumanEval-Benchmarks, entfernt jedoch Informationen zu Code-Imports, sodass das LLM die richtigen Methoden- oder Klassen-Imports selbst herausfinden muss. Diese Änderung macht den Datensatz laut unseren Tests und ersten Ergebnissen deutlich anspruchsvoller für LLMs.

Die Datensätze für Qiskit HumanEval und Qiskit HumanEval Hard sind auf diesen Websites verfügbar: Qiskit HumanEval und Qiskit HumanEval. Du kannst zur Weiterentwicklung dieser Benchmarks im GitHub-Repository beitragen.

Qiskit Code Assistant installieren

Erfahre, wie du eines der Qiskit Code Assistant-Modelle auf deinem lokalen Rechner installieren, konfigurieren und verwenden kannst.

Von der Hugging Face-Website herunterladen

Folge diesen Schritten, um ein beliebiges Qiskit Code Assistant-Modell von der Hugging Face-Website herunterzuladen:

Navigiere zur gewünschten Qiskit-Modellseite auf Hugging Face.
Gehe zum Tab Files and Versions und lade die Safetensors- oder GGUF-Modelldateien herunter.

Mit der Hugging Face CLI herunterladen

Um eines der verfügbaren Qiskit Code Assistant-Modelle mit der Hugging Face CLI herunterzuladen, folge diesen Schritten:

Installiere die Hugging Face CLI
Melde dich bei deinem Hugging Face-Konto an
```
huggingface-cli login
```

Lade das gewünschte Modell aus der obigen Liste herunter

huggingface-cli download <HF REPO NAME> <MODEL PATH> --local-dir <LOCAL PATH>

Qiskit Code Assistant-Modelle lokal über Ollama manuell bereitstellen

Es gibt mehrere Möglichkeiten, das heruntergeladene Qiskit Code Assistant-Modell bereitzustellen und damit zu interagieren. Diese Anleitung zeigt die Verwendung von Ollama wie folgt: entweder mit der Ollama-Anwendung über die Hugging Face Hub-Integration oder ein lokales Modell, oder mit dem llama-cpp-python-Paket.

Ollama-Anwendung verwenden

Die Ollama-Anwendung bietet eine einfache Lösung, um LLMs lokal auszuführen. Sie ist benutzerfreundlich und verfügt über eine CLI, die den gesamten Einrichtungsprozess, die Modellverwaltung und die Interaktion unkompliziert gestaltet. Sie eignet sich ideal für schnelle Experimente und für Nutzer, die möglichst wenig technischen Aufwand betreiben möchten.

Ollama installieren

Lade die Ollama-Anwendung herunter
Installiere die heruntergeladene Datei
Starte die installierte Ollama-Anwendung

info
Die Anwendung läuft erfolgreich, wenn das Ollama-Symbol in der Menüleiste des Desktops erscheint. Du kannst auch überprüfen, ob der Dienst läuft, indem du http://localhost:11434/ aufrufst.
Probiere Ollama in deinem Terminal aus und starte Modelle. Beispiel:
```
ollama run hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit
```

Ollama mit der Hugging Face Hub-Integration einrichten

Die Ollama/Hugging Face Hub-Integration ermöglicht die Interaktion mit auf dem Hugging Face Hub gehosteten Modellen, ohne eine neue Modelfile erstellen oder die GGUF- oder Safetensors-Dateien manuell herunterladen zu müssen. Die Standard-template- und params-Dateien sind bereits für das Modell auf dem Hugging Face Hub enthalten.

Stelle sicher, dass die Ollama-Anwendung läuft.
Gehe zur gewünschten Modellseite und kopiere die URL. Zum Beispiel: https://huggingface.co/Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF.
Führe in deinem Terminal den folgenden Befehl aus:
```
ollama run hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit
```

Du kannst das Modell hf.co/Qiskit/Qwen2.5-Coder-14B-Qiskit oder eines der anderen aktuell empfohlenen offiziellen GGUF-Modelle hf.co/Qiskit/mistral-small-3.2-24b-qiskit-GGUF oder hf.co/Qiskit/granite-3.3-8b-qiskit-GGUF verwenden.

Ollama mit einem manuell heruntergeladenen Qiskit Code Assistant-GGUF-Modell einrichten

Wenn du ein GGUF-Modell wie https://huggingface.co/Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF manuell heruntergeladen hast und mit verschiedenen Templates und Parametern experimentieren möchtest, kannst du diese Schritte ausführen, um es in deine lokale Ollama-Anwendung zu laden.

Erstelle eine Modelfile mit folgendem Inhalt und aktualisiere <PATH-TO-GGUF-FILE> mit dem tatsächlichen Pfad zu deinem heruntergeladenen Modell.

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

Führe den folgenden Befehl aus, um eine benutzerdefinierte Modellinstanz basierend auf der Modelfile zu erstellen.
```
ollama create Qwen2.5-Coder-14B-Qiskit -f ./path-to-model-file
```
hinweis
Dieser Vorgang kann einige Zeit dauern, da Ollama die Modelldatei einlesen, die Modellinstanz initialisieren und entsprechend den angegebenen Spezifikationen konfigurieren muss.

Das manuell heruntergeladene Qiskit Code Assistant-Modell in Ollama ausführen

Nachdem das Modell Qwen2.5-Coder-14B-Qiskit in Ollama eingerichtet wurde, führe den folgenden Befehl aus, um das Modell zu starten und im Terminal damit zu interagieren (im Chat-Modus).

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

Nützliche Befehle:

ollama list - Modelle auf deinem Computer auflisten
ollama rm Qwen2.5-Coder-14B-Qiskit - Das Modell löschen
ollama show Qwen2.5-Coder-14B-Qiskit - Modellinformationen anzeigen
ollama stop Qwen2.5-Coder-14B-Qiskit - Ein aktuell laufendes Modell stoppen
ollama ps - Auflisten, welche Modelle aktuell geladen sind

Qiskit Code Assistant-Modelle lokal über das llama-cpp-python-Paket manuell bereitstellen

Eine Alternative zur Ollama-Anwendung ist das llama-cpp-python-Paket, eine Python-Bindung für llama.cpp. Es bietet mehr Kontrolle und Flexibilität beim lokalen Ausführen des GGUF-Modells und eignet sich ideal für Nutzer, die das lokale Modell in ihre Workflows und Python-Anwendungen integrieren möchten.

Installiere llama-cpp-python
Interagiere mit dem Modell aus deiner Anwendung heraus mithilfe von llama_cpp. Beispiel:

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"]

Du kannst dem Modell auch Textgenerierungsparameter hinzufügen, um die Inferenz anzupassen:

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”]

Qiskit Code Assistant-Modelle lokal über llama.cpp manuell bereitstellen

Die `llama.cpp`-Bibliothek verwenden

Eine weitere Alternative ist die Verwendung von llama.cpp, einer Open-Source-Bibliothek für LLM-Inferenz auf der CPU mit minimalem Einrichtungsaufwand. Sie bietet Low-Level-Kontrolle über die Modellausführung und wird typischerweise über die Befehlszeile ausgeführt, wobei auf eine lokale GGUF-Modelldatei verwiesen wird.

Es gibt mehrere Möglichkeiten, llama.cpp auf deinem Rechner zu installieren:

Installiere llama.cpp über brew, nix oder winget
Ausführen mit Docker: Siehe die Docker-Dokumentation des llama.cpp-Teams
Lade vorkompilierte Binärdateien von der Releases-Seite herunter
Aus dem Quellcode kompilieren durch Klonen des Repositories

Nach der Installation kannst du llama.cpp verwenden, um im Konversationsmodus mit GGUF-Modellen zu interagieren:

# Use a local model file
llama-cli -m my_model.gguf -cnv

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

Du kannst auch einen OpenAI-kompatiblen API-Server für das Modell starten:

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

Erweiterte Parameter

Mit dem Programm llama-cli kannst du die Modellgenerierung über Befehlszeilenoptionen steuern. Beispielsweise kannst du einen initialen „System”-Prompt mit dem Flag -p/--prompt angeben. Im Konversationsmodus (-cnv) fungiert dieser initiale Prompt als Systemnachricht. Andernfalls kannst du einfach eine gewünschte Anweisung deinem Prompt-Text voranstellen. Du kannst auch Sampling-Parameter anpassen – zum Beispiel: Temperatur (--temp), Top-k (--top-k), Top-p (--top-p), Wiederholungsstrafe (--repeat-penalty) und den zu verwendenden Seed (--seed). Das folgende Beispiel zeigt einen Aufruf mit diesen Optionen:

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

Um die ordnungsgemäße Funktionalität unserer Qiskit-Modelle sicherzustellen, empfehlen wir die Verwendung des in unseren HF-GGUF-Repositories bereitgestellten System-Prompts: System-Prompt für mistral-small-3.2-24b-qiskit-GGUF, Qwen2.5-Coder-14B-Qiskit-GGUF, granite-3.3-8b-qiskit-GGUF und granite-3.2-8b-qiskit-GGUF.

Continue manuell verbinden (VS Code)

Continue (VS Code)

1. Erweiterung installieren

Öffne VS Code, gehe zu Erweiterungen (Cmd+Shift+X), suche nach Continue und installiere es.

2. Konfiguration öffnen

Klicke auf das Continue-Symbol in der Seitenleiste, dann auf das Zahnrad-Symbol, oder öffne die Befehlspalette (Cmd+Shift+P) und führe Continue: Open Config File aus.

Damit öffnet sich ~/.continue/config.yaml (oder config.json in älteren Versionen).

3. Modell konfigurieren

Füge folgendes zu config.yaml hinzu:

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

Damit wird das Qiskit-Modell im Chat-Panel (Seitenleistengespräche, Inline-Q&A) und für Inline-Bearbeitungs-Befehle verfügbar.

4. Testen

Chat: Öffne das Continue-Panel in der Seitenleiste und stelle eine Frage (z. B. „How do I create a parameterized circuit in Qiskit?”)
Inline-Bearbeitung: Wähle einen Codeblock aus, drücke Cmd+I (Mac) oder Ctrl+I (Linux/Windows)

Jupyter AI manuell verbinden (JupyterLab)

Jupyter AI (JupyterLab)

Hinweis: Diese Anleitung bezieht sich auf Jupyter AI v2.x.

1. Jupyter AI und den Ollama-Provider installieren

pip install “jupyter-ai<3” langchain-ollama

Der Pin ”jupyter-ai<3” stellt sicher, dass du v2.x erhältst. Das Paket langchain-ollama ist erforderlich, damit Jupyter AI Ollama als Provider erkennt. Ohne es wird Ollama im Einstellungsbereich nicht angezeigt.

Starte dann JupyterLab neu.

2. Das Chat-Modell konfigurieren

Öffne JupyterLab und klicke auf das Chat-Symbol in der linken Seitenleiste. Im Einstellungsbereich:

Wähle unter Language model den Provider Ollama aus.
Gib mistral-small-3.2-24b-qiskit als Modellnamen ein.
Für Ollama wird kein API-Schlüssel benötigt (Feld leer lassen).
Klicke auf den Zurück-Pfeil, um zu chatten.

3. Den `%%ai`-Magic-Befehl verwenden

Mit dem %%ai-Magic kannst du das Modell direkt in Notebook-Zellen abfragen.

%load_ext jupyter_ai_magics

Dann in einer Zelle:

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

4. Benutzerdefinierten Ollama-Host (optional)

Standardmäßig verbindet sich Jupyter AI mit http://127.0.0.1:11434. Wenn dein Ollama-Server unter einer anderen Adresse oder einem anderen Port läuft:

In der Chat-Benutzeroberfläche: Setze das Feld „Base API URL” im KI-Einstellungsbereich.

OpenCode manuell verbinden (Terminal)

OpenCode (Terminal)

1. OpenCode installieren

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

2. Das Qiskit-Modell konfigurieren

Erstelle eine opencode.json-Datei im Stammverzeichnis deines Projekts (oder ~/.config/opencode/opencode.json für eine globale Konfiguration):

{
  “$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. Modell auswählen

Starte OpenCode in deinem Projektverzeichnis:

opencode

Führe im TUI den Befehl /models aus und wähle Qiskit Code Assistant aus der Liste.

4. Testen

Stelle direkt im Chat eine Frage, zum Beispiel: „Define a Bell circuit and run it using QiskitRuntimeService”

Verfügbare Modelle

Aktuelle Modelle

Dies sind die neuesten empfohlenen Modelle für den Einsatz mit Qiskit Code Assistant:

Qiskit/mistral-small-3.2-24b-qiskit - Released October 2025
Qiskit/Qwen2.5-Coder-14B-Qiskit - Released June 2025
qiskit/granite-3.3-8b-qiskit - Released June 2025
qiskit/granite-3.2-8b-qiskit - Released June 2025

GGUF-Modelle (empfohlen für persönliche Umgebungen/Laptops)

GGUF-Formatmodelle sind für den lokalen Einsatz optimiert und erfordern weniger Rechenressourcen:

mistral-small-3.2-24b-qiskit-GGUF – Released October 2025
Trained with Qiskit data up to version 2.1
Qiskit/Qwen2.5-Coder-14B-Qiskit-GGUF – Released June 2025
Trained with Qiskit data up to version 2.0
qiskit/granite-3.3-8b-qiskit-GGUF – Released June 2025
Trained with Qiskit data up to version 2.0
qiskit/granite-3.2-8b-qiskit-GGUF – Released June 2025
Trained with Qiskit data up to version 2.0

Die Open-Source-Qiskit-Code-Assistant-Modelle sind im safetensors- oder GGUF-Dateiformat verfügbar und können wie unten beschrieben von Hugging Face heruntergeladen werden.

Für das Training verwendete Qiskit-Versionen

Modell						Benchmark-Metriken					Veröffentlichungsdatum	Trainiert mit 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

Hinweis: Alle in der Benchmark-Tabelle aufgeführten Modelle wurden mit dem jeweiligen System-Prompt bewertet, der in ihrem Hugging Face-Modell definiert ist.

Veraltete Modelle

Diese Modelle werden nicht mehr aktiv gepflegt, bleiben aber verfügbar:

qiskit/granite-8b-qiskit-rc-0.10 - Released February 2025 (deprecated)
qiskit/granite-8b-qiskit - Released November 2024 (deprecated)

Weitere Informationen und Zitate

Um mehr über Qiskit Code Assistant, die Qiskit HumanEval- oder Qiskit HumanEval Hard-Benchmarks zu erfahren und sie in deinen wissenschaftlichen Publikationen zu zitieren, findest du hier die empfohlenen Zitate:

@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},
}

Das Large Language Model (LLM) hinter Qiskit Code Assistant​

Die Qiskit HumanEval- und Qiskit HumanEval Hard-Benchmarks​

Qiskit Code Assistant installieren​

Ollama-Anwendung verwenden​

Ollama installieren​

Ollama mit der Hugging Face Hub-Integration einrichten​

Ollama mit einem manuell heruntergeladenen Qiskit Code Assistant-GGUF-Modell einrichten​

Das manuell heruntergeladene Qiskit Code Assistant-Modell in Ollama ausführen​

Die llama.cpp-Bibliothek verwenden​

Erweiterte Parameter​

Continue (VS Code)​

1. Erweiterung installieren​

2. Konfiguration öffnen​

3. Modell konfigurieren​

4. Testen​

Jupyter AI (JupyterLab)​

1. Jupyter AI und den Ollama-Provider installieren​

2. Das Chat-Modell konfigurieren​

3. Den %%ai-Magic-Befehl verwenden​

4. Benutzerdefinierten Ollama-Host (optional)​

OpenCode (Terminal)​

1. OpenCode installieren​

2. Das Qiskit-Modell konfigurieren​

3. Modell auswählen​

4. Testen​

Verfügbare Modelle​

Aktuelle Modelle​

GGUF-Modelle (empfohlen für persönliche Umgebungen/Laptops)​

Für das Training verwendete Qiskit-Versionen​

Veraltete Modelle​

Weitere Informationen und Zitate​

Das Large Language Model (LLM) hinter Qiskit Code Assistant

Die Qiskit HumanEval- und Qiskit HumanEval Hard-Benchmarks

Qiskit Code Assistant installieren

Ollama-Anwendung verwenden

Ollama installieren

Ollama mit der Hugging Face Hub-Integration einrichten

Ollama mit einem manuell heruntergeladenen Qiskit Code Assistant-GGUF-Modell einrichten

Das manuell heruntergeladene Qiskit Code Assistant-Modell in Ollama ausführen

Die `llama.cpp`-Bibliothek verwenden

Erweiterte Parameter

Continue (VS Code)

1. Erweiterung installieren

2. Konfiguration öffnen

3. Modell konfigurieren

4. Testen

Jupyter AI (JupyterLab)

1. Jupyter AI und den Ollama-Provider installieren

2. Das Chat-Modell konfigurieren

3. Den `%%ai`-Magic-Befehl verwenden

4. Benutzerdefinierten Ollama-Host (optional)

OpenCode (Terminal)

1. OpenCode installieren

2. Das Qiskit-Modell konfigurieren

3. Modell auswählen

4. Testen

Verfügbare Modelle

Aktuelle Modelle

GGUF-Modelle (empfohlen für persönliche Umgebungen/Laptops)

Für das Training verwendete Qiskit-Versionen

Veraltete Modelle

Weitere Informationen und Zitate