Qvikhr 3 1.7B Instruction Noreasoning

🚀 QVikhr-3-1.7B-Instruction-noreasoning

QVikhr-3-1.7B-Instruction-noreasoning 是一個基於 Qwen/Qwen3-1.7B 的指令模型，在俄語數據集 GrandMaster2 上進行訓練。它專為高效處理俄語和英語文本而設計，能夠提供精確的響應並快速執行任務。

🚀 快速開始

你可以點擊下面的鏈接在 Colab 中試用該模型：

✨ 主要特性

• 基礎模型：Qwen/Qwen3-1.7B
• 專業領域：俄語
• 訓練數據集：GrandMaster2
• 支持語言：雙語（俄語/英語）

📦 量化變體

• GGUF Vikhrmodels/QVikhr-3-1.7B-Instruction-noreasoning-GGUF
• MLX
  • 4 bit Vikhrmodels/QVikhr-3-1.7B-Instruction-noreasoning-MLX_4bit
  • 8 bit Vikhrmodels/QVikhr-3-1.7B-Instruction-noreasoning-MLX_8bit

📊 Ru Arena 通用評分

📚 詳細文檔

模型描述

QVikhr-3-1.7B-Instruction-noreasoning 是一個基於 GrandMaster-2 數據集訓練的強大語言模型。它在俄語的指令生成、上下文響應和文本分析方面表現出色。該模型針對指令任務和文本數據處理進行了優化，適用於專業用途以及集成到面向用戶的應用程序和服務中。

訓練方法

QVikhr-3-1.7B-Instruction-noreasoning 使用 SFT（監督微調）和 FFT（全量微調）方法進行開發，訓練數據集為 GrandMaster-2。

💻 使用示例

基礎用法

推薦生成溫度：0.3。

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load the model and tokenizer
model_name = "Vikhrmodels/QVikhr-3-1.7B-Instruction-noreasoning"
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Prepare the input text
input_text = "這裡是輸入文本示例。"

messages = [
    {"role": "user", "content": input_text},
]

# Tokenize and generate text
input_ids = tokenizer.apply_chat_template(messages, truncation=True, add_generation_prompt=True, return_tensors="pt")
output = model.generate(
    input_ids,
    max_length=1512,
    temperature=0.3,
    num_return_sequences=1,
    no_repeat_ngram_size=2,
    top_k=50,
    top_p=0.95,
)

# Decode and print result
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

模型響應示例

由於原文檔中的模型響應部分包含大量亂碼，無法準確翻譯和展示，你可以根據實際運行結果查看模型響應。

📄 許可證

本模型使用 Apache-2.0 許可證。

👥 作者

• Sergei Bratchikov, NLP Wanderer, Vikhr Team
• Nikolay Kompanets, LakoMoor, Vikhr Team
• Konstantin Korolev, Vikhr Team
• Aleksandr Nikolich, Vikhr Team

📝 引用方式

@inproceedings{nikolich2024vikhr,
  title={Vikhr: Advancing Open-Source Bilingual Instruction-Following Large Language Models for Russian and English},
  author={Aleksandr Nikolich and Konstantin Korolev and Sergei Bratchikov and Nikolay Kompanets and Igor Kiselev and Artem Shelmanov},
  booktitle={Proceedings of the 4th Workshop on Multilingual Representation Learning (MRL) @ EMNLP-2024},
  year={2024},
  publisher={Association for Computational Linguistics},
  url={[https://arxiv.org/pdf/2405.13929](https://arxiv.org/pdf/2405.13929)}
}

@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}, 
}