/ Модель

Характеристики

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

kanha-kanha.ai-1.7b-grounded-qlora-3ep-v1

Генерация текстаТекст → текст3 профессии

Дообученная на Qwen3-1.7B модель для кратких ответов на вопросы по предоставленному контексту сайта.

52скачиваний 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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/kanha-kanha.ai-1.7b-grounded-qlora-3ep-v1 — дообученная методом QLoRA языковая модель Kanha AI на базе Qwen/Qwen3-1.7B. Это плотная трансформерная модель для генерации текста и диалогов; она принимает вопрос вместе с извлечённым контекстом и предназначена для ответов на вопросы по материалам сайта. По условиям обучения модель должна отвечать кратко только по предоставленному контексту и использовать точную фразу отказа, если ответа в нём нет.

Размер модели — 1,7 млрд параметров, базовый контекст — 40 960 токенов. README описывает обучение на 210 записях и валидацию на 45 записях с данными, полученными с сайта Kanha; основной язык карточки — английский. Модель подходит для контролируемых экспериментов по вопросно-ответным системам с поиском контекста, но не для ответов на вопросы без него.

В README приведены результаты оценки: полнота дат и URL — 1,0, полнота чисел — около 0,972, полнота списков — около 0,605, доля прохождения детерминированной оценки — около 0,423. Эти результаты не подтверждают качество в браузере или на целевых устройствах. Ответы могут быть ошибочными, неполными или устаревшими, а модель может запоминать обучающие данные. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по извлечённым материалам сайта
  • поиск дат и адресов в контексте веб-страницы
  • извлечение числовых значений из предоставленного текста
  • проверка ответов на вопросы по внутренней базе знаний с retrieval

Ограничения

Требует предоставленного извлечённого контекста; вопросы без него находятся вне обученного и оценённого сценария. Может давать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные; браузерная и целевая платформенная совместимость не проверена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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-grounded-qlora-3ep-v1
  • Base model: Qwen/Qwen3-1.7B
  • Base model revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
  • Tokenizer revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
  • Training method: qlora
  • Final merged dtype: bfloat16
  • Source site: https://kanha.ai
  • Dataset hash: 5344dbb7a1d3267d4b370aac7ecf316329d43829335c95ec38304533bf91c958
  • Train split: 210 records (cec1d43395a9366ae4e54ebf312eb8c4a9a1b7f2dc101f93591e615b865bfcea)
  • Validation split: 45 records (5d55f68556ad3b66c8f1b3069fda424f0d8e5a00785829813153b3890c71d015)
  • Holdout split: 0 records (e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855)

Hyperparameters

  • Maximum sequence length: 2048
  • Seed: 42
  • Epochs: 3.0
  • Learning rate: 0.0001
  • Per-device batch size: 8
  • Gradient accumulation steps: 2
  • Warmup ratio: 0.05
  • Assistant-only loss: true
  • LoRA rank: 16
  • LoRA alpha: 16
  • LoRA dropout: 0.05
  • LoRA targets: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj

Evaluation

  • dates_recall: 1.0
  • deterministic_pass_rate: 0.4230769230769231
  • list_recall: 0.6051282051282051
  • numbers_recall: 0.9717948717948718
  • refusal_rate: 0.07692307692307693
  • total: 26
  • unsupported_value_rate: 0.038461538461538464
  • 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

No validated MLC artifact is included in this publication.

Grounded inference contract

Inference requires retrieved source context. A bare question without retrieved source context is outside the trained and evaluated contract.

  • Prompt contract identity: d0dcb1de0b9d601267a3cbf39420b1f0a2c5749d80b96669a2e9fcf19a280bfb
  • Chat formatting: The model's native chat template is used with thinking disabled (enable_thinking=False).

System prompt (exact):

Answer only from the supplied context. Be concise. If the answer is absent from the context, respond exactly: I can't answer that from the provided context.

User template (exact):

Context:
<context>

Question:
<question>

Refusal string (exact):

I can't answer that from the provided context.

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/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
9206e28

0 моделей