/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B-UltraChat-SFT
Библиотека
transformers
Опубликована
17 июл 2026

Qwen3-1.7B-Chat

Генерация текстаТекст → текст8 профессий

Диалоговая модель Qwen3 на 1,7 млрд параметров, дообученная с помощью DPO для генерации более полезных и естественных текстовых ответов.

22скачиваний за 30 дней0лайковвеса обновлены18 июл 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.

  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.

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

Qwen3-1.7B Chat — диалоговая причинная языковая модель, разработанная Ayush Shah на основе ayushshah/Qwen3-1.7B-UltraChat-SFT. Это вариант Qwen3-1.7B-Base, прошедший supervised fine-tuning на UltraChat-200k, а затем Direct Preference Optimization на наборах предпочтений UltraFeedback, Capybara и Intel Orca. LoRA-адаптеры после обучения объединены с весами модели.

Модель предназначена для генерации ответов в диалоге и выполнения текстовых запросов. Она содержит 1,7 млрд параметров, имеет 28 слоёв и контекстное окно 32 768 токенов. Поддерживает только текст: README указывает, что модель пока не поддерживает режим thinking, изображения и вызов инструментов. В карточке не заявлен основной язык, поэтому не следует считать её специально русскоязычной.

DPO-обучение нацелено на улучшение полезности, связности, естественности диалога и соответствия предпочтениям пользователей; в приведённых оценках есть прирост относительно SFT-версии по MMLU-Pro и GSM8K. Модель всё ещё может ошибаться и галлюцинировать, испытывает трудности со сложным многошаговым рассуждением и неоднозначными инструкциями; по сравнению с SFT-вариантом отмечено небольшое снижение точности следования инструкциям. Для высокорисковых решений требуется проверка человеком. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы в текстовом чате
  • выполнение текстовых инструкций
  • создание развернутых диалоговых ответов
  • сравнение и оценка предпочтительных вариантов ответа
  • прототипирование чат-ботов на небольшой языковой модели

Ограничения

Модель может галлюцинировать, ошибаться в сложных многошаговых задачах и неточно следовать неоднозначным инструкциям; сравнительно с SFT-версией отмечено небольшое снижение точности выполнения инструкций. Не поддерживает изображения, вызов инструментов и режим thinking; для высокорисковых решений необходима проверка человеком.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-1.7B Chat

This model is a Direct Preference Optimized (DPO) variant of Qwen3-1.7B-UltraChat-SFT, which itself is a supervised fine-tuned version of Qwen3-1.7B-Base.

Starting from the SFT model, preference alignment was performed using Direct Preference Optimization (DPO) on multiple human preference datasets to improve response quality, reasoning, truthfulness, and conversational naturalness. The resulting model produces responses that are generally rich, more helpful, coherent, and better aligned with user preferences while preserving the conversational capabilities learned during supervised fine-tuning. This model does not support thinking, vision or tool calling yet.

Preference optimization was performed using LoRA adapters, which were merged into the base weights after training.

View the LoRA Adapter. View the GitHub repository for the complete post-training pipeline.

Quantizations of this model are present in ayushshah/Qwen3-1.7B-Chat-GGUF. You can use them in LLaMA.cpp, Ollama or any other applications you like. This model and its quantizations are also available on Ollama. You can directly pull and use this model from Ollama. Visit the Ollama model page.

Model Overview

Qwen3-1.7B-Chat has the following features:

  • Type: Causal Language Model
  • Training Stage: Pretraining → Supervised Fine-Tuning → Direct Preference Optimization
  • Number of Parameters: 1.7B
  • Number of Parameters (Non-Embedding): 1.4B
  • Number of Layers: 28
  • Number of Attention Heads (GQA): 16 for Q and 8 for KV
  • Context Length: 32,768

Training

Stage 1: Supervised Fine-Tuning

  • Method: Supervised Fine-Tuning (SFT)
  • Dataset: UltraChat-200k
  • Framework: Unsloth
  • Fine-Tuning: LoRA + embed_tokens + lm_head

Stage 2: Preference Alignment

  • Method: Direct Preference Optimization (DPO)
  • Frameworks: TRL + Unsloth
  • Fine-Tuning: LoRA
  • Precision: BF16
  • Environment: Windows Subsystem for Linux (WSL)
  • GPU: RTX 4090 24 GB using FlashAttention 2, xFormers and Triton

Dataset Preprocessing

  1. The datasets were first filtered by removing rows with low chosen ratings. For argilla/distilabel-capybara-dpo-7k-binarized and argilla/ultrafeedback-binarized-preferences-cleaned, rows where the chosen rating was < 4 were removed. Similarly, for argilla/distilabel-intel-orca-dpo-pairs, rows where the preference was tie, the chosen rating was < 8, or in_gsm8k_train was true were removed.
  2. For argilla/ultrafeedback-binarized-preferences-cleaned, only rows where the difference between the chosen and rejected ratings was >= 1 were retained.
  3. Any row where either the chosen or rejected conversation exceeded 1024 tokens was removed.
  4. The argilla/ultrafeedback-binarized-preferences-cleaned dataset was significantly larger than the other datasets; therefore, it was undersampled by randomly selecting 15,000 rows.
  5. Finally, the datasets were concatenated and shuffled.

DPO Configuration

ParameterValue
Epochs1
Batch Size2
Gradient Accumulation16
Effective Batch Size32
Gradient CheckpointingTrue
OptimizerAdamW 8-bit
Learning Rate5e-6
LoRA Rank32
LoRA Alpha64
β0.1
SchedulerCosine
Warmup10%
Max seq length1024

LoRA was applied to: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj.

Evaluation

Evaluation was performed using EleutherAI's Language Model Evaluation Harness.

BenchmarkSFTChatΔ
MMLU-Pro37.9139.86+1.95
GSM8K71.2772.48+1.21
HellaSwag62.2862.26-0.02
TruthfulQA mc251.6253.09+1.47
ARC Challenge44.9743.26-1.71
IFEval strict prompt33.0930.13-2.96

Blind A/B Evaluation tests with LLM-as-a-judge and Human-In-The-Loop calibration preferred the DPO model over the SFT model in majority of the runs.

Usage

Unsloth (Recommended)

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="ayushshah/Qwen3-1.7B-Chat",
    max_seq_length=2048,
    dtype="bfloat16",
)

FastLanguageModel.for_inference(model)

transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(
    "ayushshah/Qwen3-1.7B-Chat"
)

model = AutoModelForCausalLM.from_pretrained(
    "ayushshah/Qwen3-1.7B-Chat",
    torch_dtype="auto",
    device_map="auto"
)

Limitations

Although preference optimization improves conversational quality, reasoning, and helpfulness, this model is still limited by the capabilities and knowledge of the underlying Qwen3-1.7B architecture. It may occasionally generate incorrect or hallucinated information, struggle with complex multi-step reasoning, or fail to follow ambiguous instructions accurately. Furthermore, this model has not undergone reinforcement learning from human feedback (RLHF) or additional safety-specific alignment beyond DPO and should not be relied upon for high-stakes applications without appropriate human oversight.

Compared to the SFT model, the primary observed trade-off was a slight reduction in strict instruction-following ability, accompanied by a tendency to generate more elaborate responses and a slightly higher likelihood of hallucinations on complex queries.

Citation

@misc{qwen3technicalreport,
  title={Qwen3 Technical Report},
  author={Qwen Team},
  year={2025},
  eprint={2505.09388},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2505.09388}
}

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
2e46c30

0 моделей