/ Модель
Каталог

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
19 июн 2026

Ссылки

Hugging Face

Terminal-data_processing

cuong1692001
Генерация текстаТекст → текст4 профессии

Дообученная на Qwen3-8B диалоговая модель для обработки данных по текстовым инструкциям.

15скачиваний за 30 дней0лайковвеса обновлены19 июн 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.

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

Terminal-data_processing — дообученная на базе Qwen/Qwen3-8B языковая модель от автора репозитория cuong1692001. Она предназначена для генерации текста в диалоговом формате и обработки данных терминального типа; обучение проводилось на наборах nemotron_easy_data_processing, nemotron_medium_data_processing и nemotron_mixed_data_processing. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; максимальный контекст составляет 40 960 токенов.

Модель подходит для сценариев, где требуется преобразовать или обработать структурированные данные по текстовому запросу. Карточка не приводит конкретных результатов оценки или подробных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

Сценарии применения

  • обработка данных по текстовому запросу
  • преобразование структурированных данных
  • обработка простых наборов данных
  • обработка наборов данных средней сложности

Ограничения

В карточке не приведены результаты оценки и подробные ограничения. Лицензия обозначена как other, поэтому условия использования нужно уточнить у автора.

Для каких профессий подходит4

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.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 022моделиI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Terminal-data_processing

This model is a fine-tuned version of Qwen/Qwen3-8B on the nemotron_easy_data_processing, the nemotron_medium_data_processing and the nemotron_mixed_data_processing datasets.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 1
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 8
  • total_eval_batch_size: 64
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • num_epochs: 2.0

Training results

Framework versions

  • Transformers 5.6.0
  • Pytorch 2.12.1+cu130
  • Datasets 4.0.0
  • Tokenizers 0.22.2

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
f451b72

0 моделей

    Создать бенчмарк