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-qlora

Генерация текстаТекст → текст3 профессии

Компактная дообученная Qwen3-модель для генерации текста и контролируемых экспериментов с ответами на вопросы по сайту Kanha.

22скачиваний 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/kanha-kanha.ai-1.7b-qlora — дообученная методом QLoRA модель Kanha-AI на базе Qwen/Qwen3-1.7B. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров, рассчитанная на генерацию текста и диалоги; длина контекста составляет 40 960 токенов. Чекпойнт обучен на небольшом наборе данных, полученном с сайта Kanha, и предназначен для контролируемой оценки ответов на вопросы по его содержимому и сравнения методов обучения.

Модель принимает текст и генерирует текст. В карточке указаны английский язык и сценарий вопросов и ответов по сайту; базовая Qwen3 описана как многоязычная, но поддержка других языков именно этим чекпойнтом не подтверждена. В оценке хорошо восстанавливались даты и URL, однако точность списков была низкой, а доля неподтверждённых значений — высокой. Ответы могут быть ошибочными, неполными или устаревшими, а модель может запоминать обучающие данные; результаты следует проверять. Веса представлены в формате safetensors, также доступны артефакты MLC с квантизацией q4f16_1. Лицензия в предоставленных данных не указана.

Сценарии применения

ответы на вопросы о содержимом сайта Kanha
контролируемая оценка ответов на вопросы по веб-содержимому
сравнение методов дообучения языковых моделей
извлечение дат и URL из ответов о сайте

Ограничения

Ответы могут быть неверными, неполными или устаревшими; модель может запоминать обучающие данные. В оценке отмечены низкое восстановление списков и высокая доля неподтверждённых значений.

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 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 I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

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-qlora
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: 2df3769fddeac677ce98e095453720ef3bfdc4ad1a51005febbb5568b7d2c7ab
Train split: 128 records (4b4007ea11adccb85cc5984aa3e91b7d29393b9d3619e4cffdd881514bdf4430)
Validation split: 24 records (29a6d5d7eec612453e8a629fb2e2f8a75e1d67b1e0f90ee0061b32f921d51f25)
Holdout split: 0 records (e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855)

Hyperparameters

Maximum sequence length: 2048
Seed: 42
Epochs: 4.0
Learning rate: 5e-05
Per-device batch size: 4
Gradient accumulation steps: 2
Warmup ratio: 0.1
Assistant-only loss: true
LoRA rank: 64
LoRA alpha: 32
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: 0.0
list_recall: 0.035897435897435895
numbers_recall: 0.7307692307692307
refusal_rate: 0.0
total: 26
unsupported_value_rate: 0.46153846153846156
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: 0d96056