/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
1 дек 2025

Ссылки

Hugging FacearXiv 2512.19134

QuCo-extractor-0.5B

ZhishanQ
Генерация текстаТекст → текст7 профессий

Компактная дообученная модель Qwen2.5 извлекает из текста триплеты сущность–отношение–сущность для подготовки данных в системах QuCo-RAG.

50скачиваний за 30 дней0лайковвеса обновлены24 дек 2025

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.

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

QuCo-extractor-0.5B — компактная модель извлечения сущностей и отношений, разработанная для системы QuCo-RAG. Она дообучена на Qwen2.5-0.5B-Instruct и извлекает из предложений триплеты знаний вида «сущность — отношение — сущность».

Модель предназначена для подготовки данных о связях между сущностями в корпусе, чтобы оценивать неопределённость и динамически подключать поиск в системах Retrieval-Augmented Generation (RAG). Это плотная причинная языковая модель семейства Qwen2 с 494 млн параметров, работающая с текстом и контекстом до 32 768 токенов.

В карточке указана лицензия other; конкретные условия использования по этим данным установить нельзя. Качество извлечения, поддерживаемые языки и известные ограничения в карточке не описаны.

Сценарии применения

  • извлечение сущностей и отношений из предложений
  • построение графа знаний по текстовому корпусу
  • подготовка связей между фактами для RAG
  • структурирование корпусных данных для оценки неопределённости в RAG

Ограничения

Карточка не приводит оценок качества, обучающих данных или сведений о поддерживаемых языках. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QuCo-extractor-0.5B

arXiv GitHub License: MIT

Model Description

QuCo-extractor-0.5B is a specialized entity extraction model fine-tuned from Qwen2.5-0.5B-Instruct for the QuCo-RAG system. This model extracts knowledge triples (entity-relation-entity) from sentences to support corpus-grounded uncertainty quantification in Retrieval-Augmented Generation.

This model is part of the QuCo-RAG project presented in:

QuCo-RAG: Quantifying Uncertainty from the Pre-training Corpus for Dynamic Retrieval-Augmented Generation

Dehai Min, Kailin Zhang, Tongtong Wu, Lu Cheng

[Paper] [Code]

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-06
  • train_batch_size: 28
  • eval_batch_size: 32
  • seed: 42
  • distributed_type: multi-GPU
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 56
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 2.0

Framework versions

  • Transformers 4.57.1
  • Pytorch 2.5.1+cu121
  • Datasets 4.0.0
  • Tokenizers 0.22.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
9fed3e2

0 моделей

    Создать бенчмарк