Характеристики

Контекст: 262 144 токена
Параметры: 3,7 млрд
Лицензия: Apache 2.0
Архитектура: qwen3 · dense
Базовая модель: Qwen3-4B-Instruct-2507
Опубликована: 6 сен 2026

Ссылки

qwen-fine-tuned

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3 классифицирует релевантность товара поисковому запросу по четырём категориям ESCI для ранжирования результатов товарного поиска.

35скачиваний за 30 дней1лайквеса обновлены6 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Abhishek0219 разработал дообученную модель на основе Qwen/Qwen3-4B-Instruct-2507 для оценки релевантности товара поисковому запросу. Она относит пару «запрос — товар» к одному из четырёх классов: точное соответствие (E), заменитель (S), дополнение (C) или нерелевантный результат (I), и выдаёт метку одной буквой. Модель предназначена для ранжирования результатов товарного поиска и фильтрации неподходящих товаров; в карточке приведён результат micro-F1 0,642 на тестовой части ESCI из 5 000 примеров.

Это плотная авторегрессионная модель семейства Qwen3 примерно на 3,7 млрд параметров с контекстом до 262 144 токенов. Она дообучена методом QLoRA на 12 000 сбалансированных пар из Amazon Shopping Queries Dataset (ESCI, KDD Cup 2022), после чего адаптер объединён с весами bf16. Указан английский язык. Для подачи запросов предназначен чатовый интерфейс; метку и её уверенность можно считывать по логарифмическим вероятностям первого токена.

Модель опубликована в формате safetensors под лицензией Apache-2.0. Результат на ESCI не гарантирует аналогичное качество на других каталогах и типах запросов; карточка не приводит оценки для других языков или доменов.

Сценарии применения

Классификация результата поиска как точного совпадения, заменителя, дополнения или нерелевантного товара
Ранжирование товаров по соответствию запросу покупателя
Фильтрация нерелевантных товаров в поисковой выдаче
Оценка релевантности пары «запрос — товар» в интернет-магазине

Ограничения

Качество подтверждено результатом micro-F1 0,642 на тестовой выборке ESCI; результаты на других каталогах и языках не приведены. Выход модели — одна метка E, S, C или I, а не развёрнутое объяснение.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели III.1Корпоративные функцииСтратегия, продукт и бизнес-моделиAI помогает принимать продуктовые и стратегические решения на основе свидетельств, а не только интуиции.19 задач2 459моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Abhishek0219/qwen-fine-tuned

Qwen/Qwen3-4B-Instruct-2507 fine-tuned on Amazon's Shopping Queries Dataset (ESCI, KDD Cup 2022) to classify query–product relevance as one letter: Exact, Substitute, Complement, Irrelevant. QLoRA (r=16, alpha=32, all projection modules), 12k balanced training pairs, 2 epochs; adapter merged into bf16 weights.

model	ESCI test micro-F1 (5k rows)
this model	0.642
gpt-4o-mini, 0-shot	0.612
gpt-4o-mini, 4-shot	0.543

Usage (vLLM, OpenAI-compatible)

The model answers with exactly one token, so read the label and its confidence from the first-token logprobs — no decoding needed:

resp = client.chat.completions.create(model="esci", messages=build_messages(query, title, brand, color),
                                      max_tokens=1, temperature=0, logprobs=True, top_logprobs=20)

build_messages and the exact system/user prompt live in prompts.py of the source repo. Serve with --generation-config vllm (the bundled generation_config.json is the base model's sampling default).

Data: Shopping Queries Dataset (Amazon Science, Apache-2.0). Adapter: Abhishek0219/qwen-fine-tuned-lora. Source and deployment YAML: https://github.com/AbhishekG-1plus/esci-distill.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: 61a2dfb