/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B
Опубликована
27 сен 2026

Qwen3-1.7B-Salesforce-Finetuned-SOQL

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-1.7B модель для понимания Salesforce-схем, генерации проверяемых SOQL-запросов только для чтения и маршрутизации CRM-инструментов.

205скачиваний за 30 дней0лайковвеса обновлены27 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

Qwen3-1.7B-Salesforce-Finetuned-SOQL — дообученная Ravinarayanan модель на базе Qwen/Qwen3-1.7B для запросов к Salesforce и CRM-сценариев. Это плотная языковая модель с 1,7 млрд параметров, принимающая текст и генерирующая текст; метаданные указывают контекст до 40 960 токенов. Контрольная точка в формате Safetensors предназначена для диалоговой работы и маршрутизации инструментов агента.

Модель интерпретирует запросы о Salesforce, определяет необходимость получить метаданные схемы, выбирает инструменты вроде search_schema, describe_object, run_soql и analyze_data, а также формирует привязанные к схеме запросы SOQL только для чтения. В README приведены результаты внутренней оценки на 53 тестовых и 20 сложных сценариях: точность составила 83% и 85% соответственно; эти показатели относятся к описанному набору примеров и не гарантируют аналогичного качества в других условиях. Модель также сохраняет общие способности к написанию, суммаризации и объяснениям.

Для рабочих систем README рекомендует проверять SOQL и аргументы инструментов, ограничивать выполнение чтением, учитывать права доступа и считать актуальные метаданные Salesforce источником истины. Указанная лицензия — Apache-2.0; проект независимый и не связан с Salesforce.

Сценарии применения

  • преобразование вопросов о CRM-данных в SOQL-запросы только для чтения
  • выбор инструмента для поиска и описания объектов Salesforce
  • проверка необходимости загрузить метаданные схемы Salesforce
  • анализ результатов CRM-запросов через агентские инструменты
  • ответы и пояснения по данным Salesforce с опорой на полученные записи

Ограничения

Слабее справляется с неизвестными полями известных объектов, отдельными связями между объектами, агрегациями и некоторыми семантическими случаями запросов. SOQL и аргументы инструментов необходимо проверять, применять ограничения доступа и опираться на актуальные метаданные Salesforce.

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

Qwen3 1.7B Salesforce Fine-tuned SOQL

Fine-tuned from Qwen/Qwen3-1.7B for Salesforce schema reasoning, grounded SOQL workflows, and CRM agent tool routing.

🚀 Benchmark at a glance

ModelDevChallenge
Qwen3-1.7B Base50.9%55.0%
Salesforce Fine-tuned SOQL83.0%85.0%

+32.1 percentage points on Dev · +30.0 percentage points on Challenge

Benchmark comparison

Detailed benchmark

Model / SuiteTool RoutingGroundingHallucination Guard
Base / Dev86.8%60.4%100.0%
Fine-tuned / Dev96.2%86.8%98.1%
Base / Challenge85.0%70.0%100.0%
Fine-tuned / Challenge100.0%85.0%100.0%

Evaluation uses 53 frozen development cases and 20 challenge cases.
Inference was deterministic with do_sample=False and enable_thinking=False.


A fine-tuned Qwen3-1.7B model designed for Salesforce, SOQL, CRM reasoning, and local-first agent workflows.

Repository: ravinarayanan/Qwen3-1.7B-Salesforce-Finetuned-SOQL

What this model is for

This model is optimized to:

  • understand Salesforce-oriented user requests
  • decide when Salesforce metadata must be retrieved
  • select tools such as search_schema, describe_object, run_soql, and analyze_data
  • generate grounded, read-only SOQL
  • reason about Salesforce parent and child relationships
  • avoid inventing Salesforce objects, fields, relationships, records, or filter values
  • retain general assistant abilities for writing, summarization, and explanation

Runtime Salesforce metadata should remain the source of truth.

Base model

Qwen/Qwen3-1.7B

Current agent workflows use enable_thinking=False for deterministic non-thinking tool routing.

Benchmark Results

The frozen evaluation benchmark contains:

  • 53 development cases
  • 20 challenge cases
  • 73 total scenarios

It covers schema retrieval, field grounding, relationships, aggregation, query semantics, CRM-grounded writing, general assistant behavior, and hallucination resistance.

Overall accuracy

ModelDevChallenge
Qwen3-1.7B Base27/53 (50.9%)11/20 (55.0%)
Salesforce Fine-tuned SOQL44/53 (83.0%)17/20 (85.0%)

Improvement over base:

  • +32.1 percentage points on Dev
  • +30.0 percentage points on Challenge

Detailed metrics

Model / SuiteTool RoutingGroundingHallucination Guard
Base / Dev86.8%60.4%100.0%
Fine-tuned / Dev96.2%86.8%98.1%
Base / Challenge85.0%70.0%100.0%
Fine-tuned / Challenge100.0%85.0%100.0%

Remaining weak areas

  • known-object / unknown-field routing
  • some parent relationship cases
  • aggregation edge cases
  • some query-semantics cases

Benchmarks were run deterministically with do_sample=False and enable_thinking=False.

Salesforce grounding principles

  1. Never invent Salesforce schema.
  2. Retrieve schema when object or field information is unknown.
  3. Use relationship names exactly as returned by Salesforce metadata.
  4. Never derive custom relationship API names from lookup field names.
  5. Generate read-only SOQL.
  6. Never invent filter values that were not requested.
  7. Base Salesforce analysis only on retrieved records or deterministic calculations.

Tool-oriented behavior

Typical tools:

search_schema
describe_object
run_soql
analyze_data

Example user request:

Show me all renewal risk records.

Expected behavior:

{
  "action": "search_schema",
  "arguments": {
    "term": "renewal risk"
  }
}

The model should not assume that an object such as Renewal_Risk__c exists.

Recommended architecture

User
  |
Local LLM
  |
Agent Controller
  |
  +-- search_schema
  +-- describe_object
  +-- run_soql
  +-- analyze_data
  |
Deterministic SOQL validation
  |
Salesforce REST API

Model format

This repository contains the merged Transformers checkpoint.

Browser/WebGPU quantization is being evaluated separately and is not included in this checkpoint.

Limitations

Production applications should still:

  • validate SOQL deterministically
  • enforce read-only execution
  • respect object and field permissions
  • validate tool arguments
  • cap query limits
  • treat runtime Salesforce metadata as authoritative

Disclaimer

This is an independently developed model for Salesforce-related developer and agent workflows.

Salesforce is a trademark of Salesforce, Inc.

This project is not affiliated with or endorsed by Salesforce.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
a158238

0 моделей