Характеристики

Контекст: 40 960 токенов
Параметры: 1,7 млрд
Архитектура: qwen3 · dense
Базовая модель: Qwen3-1.7B
Библиотека: transformers
Опубликована: 24 авг 2026

Ссылки

kanha-incidentio-incidents-1.7b-qlora-v1

Генерация текстаТекст → текст3 профессии

Дообученная на данных сайта Kanha модель Qwen3-1.7B для экспериментов и контролируемой оценки ответов на вопросы по содержимому сайта.

76скачиваний за 30 дней0лайковвеса обновлены24 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

Warlord-K/kanha-incidentio-incidents-1.7b-qlora-v1 — дообученная методом QLoRA модель на базе Qwen/Qwen3-1.7B, разработанная для контролируемой оценки ответов на вопросы по сайту Kanha и сравнения методов обучения на одном наборе данных, полученном с сайта. Это плотная языковая модель с архитектурой Qwen3ForCausalLM, 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текст. Карточка указывает английский язык.

Обучающий набор содержал 276 записей, проверочный — 33, отдельного тестового набора не было. В опубликованной оценке полнота извлечения дат, списков, чисел и URL составила 1,0, но детерминированная доля успешных ответов — 0,0, а все ответы требовали проверки. Поэтому модель подходит для контролируемых экспериментов и оценки ответов на вопросы по материалам сайта, но не подтверждена для прямого использования в пользовательских сценариях. Возможны неверные, неполные или устаревшие ответы и запоминание обучающих данных. Веса опубликованы в формате safetensors, также доступны артефакты MLC с квантизацией q4f16_1. Лицензия в предоставленных данных не указана.

Сценарии применения

контролируемая оценка ответов на вопросы по сайту Kanha
сравнение методов обучения на одном наборе данных Kanha
извлечение дат, чисел, списков и URL из материалов сайта
эксперименты с генерацией ответов на основе содержимого сайта

Ограничения

Ответы могут быть неверными, неполными или устаревшими, а модель может запоминать обучающие данные; результаты требуют проверки. В опубликованной оценке детерминированная доля успешных ответов равна 0,0, и все ответы требуют проверки; перед пользовательским применением нужно оценить модель в целевой среде.

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 I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kanha Qwen3 experiment

Run identity

Run ID: incidentio-incidents-1.7b-qlora-v1
Base model: Qwen/Qwen3-1.7B
Base model revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
Tokenizer revision: 70d244cc86ccca08cf5af4e1e306ecf908b1ad5e
Training method: qlora
Final merged dtype: bfloat16
Source site: https://docs.incident.io
Dataset hash: 60d31b62ef843cac4863ffbed1c16127dcc53899c11f137bd802df4191804a94
Train split: 276 records (c9f3c08e10208c56db651f2df9341c18c6e87f8c89fbfe1675f3eee9ec044659)
Validation split: 33 records (eb14d70e7e0b965785778acea21669327bb0d7a13c8367356876afc0e8a714c4)
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: 1.0
numbers_recall: 1.0
refusal_rate: 0.0
requires_review_rate: 1.0
total: 3
unsupported_value_rate: 0.0
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: f60d922