/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,7 млрд
Размер весов
3,4 ГБ
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
11 сен 2026

SPEAKLAR-RAG-1.7B

Генерация текстаТекст → текст3 профессии

SPEAKLAR-RAG-1.7B — модель Qwen3 на 1,7 млрд параметров для генерации ответов службы поддержки по найденным текстовым свидетельствам.

135скачиваний за 30 дней0лайковвеса обновлены11 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.

  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

SPEAKLAR-RAG-1.7B — полноразмерный чекпойнт на 1,7 млрд параметров для генерации ответов службы поддержки на основе найденных документов. Модель разработана Munzurul и построена на архитектуре Qwen3; она предназначена для использования в RAG-сценариях через Transformers.

На вход подают текстовый запрос и краткие релевантные свидетельства, полученные поиском по базе знаний; модель формирует текстовый ответ. README сообщает об испытаниях с материалами на бенгальском языке и о генерации ответов на бенгальском. Метаданные также указывают английский как поддерживаемый язык. Контекст модели — до 32 768 токенов.

Модель подходит для подготовки ответов поддержки по извлечённым сведениям, но сама по себе не является источником актуальных бизнес-фактов. Цены, расчёты и ответы, критичные для соблюдения политик, следует проверять в коде приложения. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • Подготовка ответов клиентам по найденным статьям базы знаний
  • Ответы на вопросы службы поддержки на бенгальском языке
  • Формирование кратких ответов по релевантным выдержкам из документов

Ограничения

Для надёжных ответов требуется передавать краткие релевантные извлечённые сведения; модель не следует использовать как источник актуальных бизнес-фактов. Цены, расчёты и ответы, критичные для соблюдения политик, нужно проверять в коде приложения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SPEAKLAR-RAG-1.7B

This is a standalone full checkpoint for retrieval-augmented customer-support responses.

It is intended for retrieval-augmented customer-support responses. Supply concise, relevant retrieved evidence rather than a full policy document. The model was tested with Bengali evidence and produces Bengali answers.

Load

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "munzurul/SPEAKLAR-RAG-1.7B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

Important

This model should not be used as the source of truth for changing business facts. Retrieve relevant knowledge first, then use the retrieved evidence as model context. Validate prices, calculations, and policy-critical responses in application code.

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
b71a1bb

0 моделей