Qvikhr 3 1.7B Instruction Noreasoning

🚀 QVikhr-3-1.7B-Instruction-noreasoning

QVikhr-3-1.7B-Instruction-noreasoning 是一个基于 Qwen/Qwen3-1.7B 的指令模型，在俄语数据集 GrandMaster2 上进行训练。它专为高效处理俄语和英语文本而设计，能够提供精确的响应并快速执行任务。

🚀 快速开始

你可以点击下面的链接在 Colab 中试用该模型：

✨ 主要特性

• 基础模型：Qwen/Qwen3-1.7B
• 专业领域：俄语
• 训练数据集：GrandMaster2
• 支持语言：双语（俄语/英语）

📦 量化变体

• 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 通用评分

📚 详细文档

模型描述

QVikhr-3-1.7B-Instruction-noreasoning 是一个基于 GrandMaster-2 数据集训练的强大语言模型。它在俄语的指令生成、上下文响应和文本分析方面表现出色。该模型针对指令任务和文本数据处理进行了优化，适用于专业用途以及集成到面向用户的应用程序和服务中。

训练方法

QVikhr-3-1.7B-Instruction-noreasoning 使用 SFT（监督微调）和 FFT（全量微调）方法进行开发，训练数据集为 GrandMaster-2。

💻 使用示例

基础用法

推荐生成温度：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 = "这里是输入文本示例。"

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)

模型响应示例

由于原文档中的模型响应部分包含大量乱码，无法准确翻译和展示，你可以根据实际运行结果查看模型响应。

📄 许可证

本模型使用 Apache-2.0 许可证。

👥 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}, 
}