/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
29,7 млрд
Размер весов
65,5 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen3 · dense
Базовая модель
T-pro-it-2.0
Библиотека
transformers
Опубликована
4 дек 2025

MetalGPT-1

Генерация текстаТекст → текст3 профессии

Русскоязычная дообученная на отраслевых данных модель Qwen3 для диалогов и генерации текста в горнодобывающей и металлургической сферах.

1 728скачиваний за 30 дней44лайкавеса обновлены17 фев 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

MetalGPT-1 — русскоязычная диалоговая модель nn-tech для задач горнодобывающей и металлургической отраслей. Она создана на основе Qwen3 с продолжением предварительного обучения и supervised fine-tuning на отраслевых данных; архитектура — плотная Qwen3ForCausalLM, размер — 29,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для генерации текста и диалогового взаимодействия, включая ответы на вопросы и работу с запросами в отраслевом контексте.

Модель принимает текст и выдаёт текст, поддерживает русский язык и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Сценарии применения

  • ответы на вопросы о горнодобывающей отрасли
  • консультации по металлургическим процессам
  • диалоговый помощник для работников горной промышленности
  • составление и переформулирование отраслевых текстов
  • работа с текстовыми запросами с вызовом инструментов

Ограничения

Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование. В карточке не приведены результаты оценки качества, поэтому пригодность для конкретных отраслевых решений следует проверять отдельно.

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

Description

MetalGPT-1 is a model built upon the Qwen/Qwen3-32B and incorporates both continual pre-training and supervised fine-tuning on domain-specific data from the mining and metallurgy industry.


HF Usage (Transformers)

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

torch.manual_seed(42)

model_name = "nn-tech/MetalGPT-1"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="bfloat16",
    device_map="auto",
)

prompt = (
    "Назови плюсы и минусы хлоридной и сульфатной технологии производства никеля."
)

messages = [
    {"role": "system", "content": "Ты специалист в области металлургии."},
    {"role": "user", "content": prompt},
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    # enable_thinking=False
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=2048,
)

# Обрезаем префикс промпта
generated_ids = [
    output_ids[len(input_ids):]
    for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(
    generated_ids,
    skip_special_tokens=True
)[0]

print(response)

Output

<think>
Хорошо, мне нужно разобраться в плюсах и минусах хлоридной и сульфатной технологий производства никеля. Начну с того, что вспомню, что эти технологии относятся к гидрометаллургическим процессам, то есть используют водные растворы для извлечения металлов. 

Сначала подумаю о хлоридной технологии. Возможно, она связана с использованием соляной кислоты или хлорида натрия. Преимущества могут быть в более высокой растворимости некоторых соединений, что позволяет эффективно извлекать никель. Также, возможно, процесс работает при более низких температурах, что экономит энергию. Но есть и недостатки: коррозионная активность хлора может быть проблемой, оборудование должно быть из специальных материалов, что увеличивает стоимость. Также выбросы хлора в атмосферу опасны, требуют сложных систем очистки.

Теперь сульфатная технология. Здесь, наверное, используется серная кислота. Плюсы: серная кислота дешевле и доступнее, чем соляная. Процесс может быть более стабильным, меньше коррозии по сравнению с хлоридом. Минусы: возможно, более низкая скорость реакции, необходимость в более высоких температурах, что увеличивает энергозатраты. Также образование сульфатов, которые могут быть менее селективными, что приводит к большему количеству побочных продуктов.

Нужно проверить, не путаю ли я процессы. Например, в хлоридной технологии может использоваться хлорирование для перевода никеля в раствор, тогда как в сульфатной — кислотное выщелачивание. Также важно учесть, что хлоридные процессы могут быть более эффективны для определенных типов руд, например, с высоким содержанием железа, так как хлориды железа легко растворяются. В то время как сульфатные процессы могут быть предпочтительнее для руд с низким содержанием железа, чтобы избежать загрязнения раствора.

Еще момент: в хлоридной технологии возможно использование электролиза для получения чистого никеля, тогда как в сульфатной — тоже, но с другими условиями. Также стоит упомянуть экологические аспекты: хлоридные процессы могут быть более токсичными, требуют строгого контроля выбросов, тогда как сульфатные — меньше проблем с выбросами, но больше с отходами кислоты.

Нужно структурировать ответ, разделив на плюсы и минусы для каждой технологии, возможно, в виде списков. Убедиться, что информация точная и не противоречит друг другу. Проверить, нет ли ошибок в понимании процессов. Например, в хлоридной технологии может быть этап хлорирования, который требует высоких температур, что увеличивает энергозатраты, но позволяет извлекать никель из сложных руд. В сульфатной — возможно, более простой процесс, но менее эффективный для определенных типов сырья.

Также стоит отметить, что выбор технологии зависит от типа руды, наличия инфраструктуры, экологических норм и экономических факторов. Возможно, в некоторых регионах предпочтительнее одна технология, в других — другая. Важно подчеркнуть, что обе технологии имеют свои ниши и применяются в зависимости от конкретных условий.
</think>

Плюсы и минусы хлоридной и сульфатной технологий производства никеля

Хлоридная технология
Плюсы:
1. Высокая селективность и эффективность извлечения — хлориды никеля хорошо растворяются в воде, что позволяет эффективно извлекать металл из сложных руд, включая сульфидные и оксидные.
2. Возможность работы при низких температурах — некоторые этапы (например, выщелачивание) могут проводиться при умеренных температурах, снижая энергозатраты.
3. Подходит для руд с высоким содержанием железа — хлориды железа легко растворяются, что упрощает разделение никеля от примесей.
4. Возможность получения чистого никеля — электролиз в хлоридных растворах позволяет получать высокочистый никель.

Минусы:
1. Коррозионная активность — хлоридные растворы агрессивны, требуют использования дорогостоящих материалов (например, титан, нержавеющая сталь).
2. Экологические риски — выбросы хлора и его соединений токсичны, требуют сложных систем очистки и контроля.
3. Высокая стоимость реагентов — соляная кислота и хлорид натрия дороже, чем серная кислота.
4. Ограниченная применимость — менее эффективна для руд с низким содержанием никеля или высоким содержанием кремнезема.

Сульфатная технология
Плюсы:
1. Дешевизна реагентов — серная кислота — один из самых доступных и дешёвых реагентов.
2. Меньшая коррозионная активность — сульфатные растворы менее агрессивны, чем хлоридные, что снижает износ оборудования.
3. Экологическая безопасность — выбросы сульфатов менее токсичны, проще поддаются контролю.
4. Широкая применимость — эффективна для большинства типов руд, особенно оксидных и низкосульфидных.

Минусы:
1. Низкая селективность — сульфаты железа и других примесей могут мешать извлечению никеля, требуя дополнительных стадий очистки.
2. Высокие энергозатраты — некоторые процессы (например, выщелачивание) требуют нагревания, что увеличивает расход энергии.
3. Сложность регенерации кислоты — серная кислота может разлагаться, требуя её частой замены.
4. Ограниченная эффективность для сложных руд — менее эффективна для руд с высоким содержанием железа или кремнезема.

Итог:
- Хлоридная технология предпочтительна для сложных руд с высоким содержанием никеля и железа, но требует строгого контроля коррозии и выбросов.
- Сульфатная технология — более экономична и экологична, но менее эффективна для сложных руд. Выбор зависит от типа сырья, инфраструктуры и экологических норм.

vLLM Usage

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

model_name = "nn-tech/MetalGPT-1"

tokenizer = AutoTokenizer.from_pretrained(model_name)
llm = LLM(model=model_name, max_model_len=8192)

sampling_params = SamplingParams(
    temperature=0.7,
    repetition_penalty=1.05,
    top_p=0.8,
    top_k=70,
    max_tokens=2048,
)

prompt = (
    "Назови плюсы и минусы хлоридной и сульфатной технологии производства никеля."
)

messages = [
    {"role": "system", "content": "Ты специалист в области металлургии."},
    {"role": "user", "content": prompt},
]

prompt_token_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
)

outputs = llm.generate(
    prompt_token_ids=prompt_token_ids,
    sampling_params=sampling_params,
)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text[0])

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
cd64cc8

0 моделей