Характеристики

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

Ссылки

Hugging Face

kanha-kanha.ai-1.7b-qlora-quality

Kanha-AI

Генерация текстаТекст → текст3 профессии

Компактная дообученная Qwen3-модель для исследовательской оценки ответов на вопросы по материалам сайта Kanha.

25скачиваний 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-quality — дообученная методом QLoRA языковая модель на базе Qwen/Qwen3-1.7B, разработанная для экспериментов с обучением на датасете, собранном с сайта Kanha, и контролируемой оценки ответов на вопросы по содержимому сайта. Это плотная авторегрессионная модель с 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает и генерирует текст. В карточке указаны английский язык и диалоговые возможности. Доступны веса Safetensors и артефакты MLC с квантизацией q4f16_1.

Модель подходит для вопросов и ответов по материалам сайта в исследовательских и контролируемых оценочных сценариях. В опубликованной оценке полнота извлечения дат и URL составила 1,0, однако детерминированная доля успешных ответов — около 0,038, а доля неподтверждённых значений — около 0,231; результаты не подтверждают готовность к пользовательскому развёртыванию. Модель может выдавать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные, поэтому ответы следует проверять. Лицензия в предоставленных данных не указана.

Сценарии применения

контролируемая оценка ответов на вопросы по содержимому сайта Kanha
эксперименты по сравнению методов обучения на одном веб-датасете
извлечение дат и ссылок из материалов сайта в тестовых сценариях

Ограничения

Модель может давать ошибочные, неполные или устаревшие ответы и запоминать обучающие данные; результаты оценки показывают низкую детерминированную успешность и заметную долю неподтверждённых значений. Лицензия в предоставленных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

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-quality
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: 20.0
Learning rate: 0.0002
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: 0.038461538461538464
list_recall: 0.12756410256410255
numbers_recall: 0.8243589743589743
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: 3d431e4