Характеристики

Контекст: 40 960 токенов
Параметры: 1,7 млрд
Архитектура: qwen3 · dense
Базовая модель: Qwen3-1.7B
Библиотека: transformers
Опубликована: 22 авг 2026

Ссылки

kanha-kanha.ai-1.7b-full-quality

Генерация текстаТекст → текст3 профессии

Дообученная на данных сайта Kanha модель Qwen3 с 1,7 млрд параметров для генерации текста и контролируемого ответа на вопросы о содержимом сайта.

21скачиваний за 30 дней0лайковвеса обновлены22 авг 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

Kanha-AI разработала Kanha Kanha.ai 1.7B Full Quality — плотную языковую модель на 1,7 млрд параметров, дообученную полным обновлением весов на базе Qwen/Qwen3-1.7B. Модель предназначена для контролируемой оценки ответов на вопросы о содержимом сайта Kanha и для исследований, сравнивающих методы обучения на одном наборе данных. Она поддерживает генерацию текста и диалоги, использует контекст до 40 960 токенов и рассчитана на английский язык. В репозитории есть веса Safetensors и артефакты MLC с квантизацией q4f16_1.

В описанной оценке полнота воспроизведения дат и URL была высокой, но детерминированная доля успешных ответов составила около 7,7%, полнота списков — около 21,3%, а доля неподтверждённых значений — около 23,1%. Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные; перед пользовательским применением нужно проверить её в целевой среде. Лицензия в предоставленных данных не указана.

Сценарии применения

ответы на вопросы по содержимому сайта Kanha
контролируемая оценка точности ответов о сайте
сравнение методов дообучения на одном наборе данных

Ограничения

Модель может выдавать неверные, неполные или устаревшие ответы и запоминать обучающие данные. В оценке доля детерминированно успешных ответов была около 7,7%, а доля неподтверждённых значений — около 23,1%; перед пользовательским применением нужна проверка в целевой среде.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kanha Qwen3 experiment

Run identity

Run ID: kanha.ai-1.7b-full-quality
Base model: Qwen/Qwen3-1.7B
Base model revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
Tokenizer revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
Training method: full
Final merged dtype: bfloat16
Source site: https://kanha.ai
Dataset hash: 2df3769fddeac677ce98e095453720ef3bfdc4ad1a51005febbb5568b7d2c7ab
Train split: 128 records (4b4007ea11adccb85cc5984aa3e91b7d29393b9d3619e4cffdd881514bdf4430)
Validation split: 24 records (29a6d5d7eec612453e8a629fb2e2f8a75e1d67b1e0f90ee0061b32f921d51f25)
Holdout split: 0 records (e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855)

Hyperparameters

Maximum sequence length: 2048
Seed: 42
Epochs: 20.0
Learning rate: 5e-05
Per-device batch size: 4
Gradient accumulation steps: 2
Warmup ratio: 0.1
Assistant-only loss: true

Evaluation

dates_recall: 1.0
deterministic_pass_rate: 0.07692307692307693
list_recall: 0.21346153846153845
numbers_recall: 0.8583333333333333
refusal_rate: 0.0
total: 26
unsupported_value_rate: 0.23076923076923078
urls_recall: 1.0

Deterministic scoring and the server-side Transformers benchmark are not browser qualification. Validate the exact converted model in the target browser and device environments.

MLC availability

MLC artifacts using q4f16_1 quantization are available under mlc/.

Intended use

This checkpoint is intended for research comparing training methods on the same Kanha website-derived dataset and for controlled evaluation of website question answering.

Limitations

The checkpoint can produce incorrect, incomplete, or stale answers. It may memorize training content. Review outputs, test representative failure cases, and qualify the exact runtime before any user-facing use.

Provenance artifacts

research/run-manifest.json
research/training-config.yaml
research/publication-inventory.json
research/conversion-manifest.json
research/evaluation/metrics.json
research/evaluation/evaluation-manifest.json

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: 3a3f3a2