Характеристики

Контекст: 131 072 токена
Параметры: 3,2 млрд
Размер весов: 6,4 ГБ
Лицензия: Apache 2.0
Архитектура: llama · dense
Базовая модель: Llama-3.2-3B-Instruct-bnb-4bit
Опубликована: 16 авг 2026

Ссылки

Llama-3.2-3B-4bit-classification-routing-merged

Генерация текстаТекст → текст3 профессии

Дообученная Llama 3.2, которая определяет подходящий отдел для запроса и помогает маршрутизировать задачи в многоагентной системе.

200скачиваний за 30 дней0лайковвеса обновлены21 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

Модель Thamo31 — дообученная плотная авторегрессионная Llama 3.2 на 3,2 млрд параметров, предназначенная для маршрутизации запросов в многоагентной системе. Она анализирует запрос и выдаёт название одного подходящего отдела, чтобы направить задачу нужному агенту и сократить затраты на дополнительное рассуждение LLM. Карточка заявляет поддержку английского языка; модель принимает текст и выдаёт текст. Контекстное окно составляет 131 072 токена. В метаданных указаны возможности чата и интерфейс вызова инструментов, однако основная задача модели — генерация текста с меткой отдела для маршрутизации.

Модель дообучена Thamo31 на unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о наборе данных, поэтому точность маршрутизации для конкретных отделов следует проверять на собственных запросах.

Сценарии применения

направление пользовательского запроса подходящему отделу
маршрутизация задачи нужному агенту в многоагентной системе
сокращение вызовов LLM для выбора исполнителя
классификация запросов по названиям отделов

Ограничения

Карточка не содержит метрик качества и сведений о данных обучения, поэтому точность маршрутизации для конкретных отделов не установлена. Модель выдаёт название одного отдела, а перечень поддерживаемых отделов не описан.

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 III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель III.10Корпоративные функцииПроекты, процессы и операционное управлениеAI помогает планировать работу, обнаруживать отклонения и улучшать операционные процессы.25 задач2 527моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Details

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

Developed by: Thamotharan
Model type: Embedding
Language(s) (NLP): English
**Contact (Mail): **tharanthamo018@gmail.com

Uses

This model that can be used as a routing agent that will analyze the query and output is given as the single Department Name.

Downstream Use [optional]

Effective for Token reduction in the use of multi agent system by routing the query directly to the particiular department instead of using LLM for reasoning. It is costly for LLM reasoning and have time conplexity issues that is mitigated using this model.

Uploaded finetuned model

Developed by: Thamo31
License: apache-2.0
Finetuned from model : unsloth/Llama-3.2-3B-Instruct-bnb-4bit

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: LlamaForCausalLM
Ревизия весов: ce3c414