par Vikhrmodels
Open source · 92k downloads · 12 likes
QVikhr 3 1.7B Instruction noreasoning est un modèle de langage optimisé pour le russe et l'anglais, spécialement conçu pour générer des réponses précises et rapides à des instructions ou des questions. Entraîné sur le jeu de données GrandMaster2, il excelle dans le traitement de texte, l'analyse contextuelle et la production de contenus structurés, tout en évitant les raisonnements intermédiaires superflus. Idéal pour des applications professionnelles ou des intégrations dans des outils interactifs, il se distingue par son efficacité et sa capacité à fournir des réponses claires et concises. Son approche bilingue en fait un choix polyvalent pour des usages variés, allant de l'assistance technique à la génération de résumés ou d'explications.
library_name: transformers model_name: QVikhr-3-1.7B-Instruction-noreasoning base_model:
Инструктивная модель на основе Qwen/Qwen3-1.7B, обученная на русскоязычном датасете GrandMaster2. Создана для высокоэффективной обработки текстов на русском и английском языках, обеспечивая точные ответы и быстрое выполнение задач.
Instructive model based on Qwen/Qwen3-1.7B, trained on the Russian-language dataset GrandMaster2. Designed for high-efficiency text processing in Russian and English, delivering precise responses and fast task execution.
| Model | Score | 95% CI | Avg. #Tokens |
|---|---|---|---|
| Vikhrmodels-QVikhr-3-1.7B-Instruction-noreasoning | 59.2 | (-2.1, 1.8) | 1053 |
| noresoning-Qwen3-1.7B | 51.9 | (-1.9, 1.5) | 999 |
| Qwen3-1.7B | 49.7 | (-1.8, 1.9) | 1918 |
QVikhr-3-1.7B-Instruction-noreasoning — мощная языковая модель, обученная на датасете GrandMaster-2, поддерживает генерацию инструкций, контекстные ответы и анализ текста на русском языке. Эта модель оптимизирована для задач инструктивного обучения и обработки текстов. Она подходит для использования в профессиональной среде, а также для интеграции в пользовательские приложения и сервисы.
QVikhr-3-1.7B-Instruction-noreasoning is a robust language model trained on the GrandMaster-2 dataset. It excels in instruction generation, contextual responses, and text analysis in Russian. The model is optimized for instructional tasks and textual data processing, suitable for professional use as well as integration into user-facing applications and services.
QVikhr-3-1.7B-Instruction-noreasoning была создана с использованием метода SFT (Supervised Fine-Tuning) FFT (Full Fine-Tune). Мы использовали синтетический датасет GrandMaster-2.
QVikhr-3-1.7B-Instruction-noreasoning was developed using the SFT (Supervised Fine-Tuning) FFT (Full Fine-Tune) method. The synthetic dataset GrandMaster-2.
Рекомендуемая температура для генерации: 0.3 / Recommended generation temperature: 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 = "Напиши краткое описание книги Гарри Поттер."
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)
<think>
</think>
Краткое описание книги Гарри Поттера:
«Гарри Поттер и философский камень» — это история о мальчике, который, несмотря на слабость, стал свидетелем великих событий, связанных с магией, мистикой и поиском истинного смысла. Гарри, живущий в маленьком городке, влюбляется в магию, когда случайно участвует в неожиданном приключении, где он стал свидетелем загадочного события, связанного с «Философским камнем».
Во время этого события он сталкивается с тремя магами, которые, по их словам, «все видят в будущем». Они предупреждают о приближении опасного события, которое может изменить мир. Гарри, несмотря на страх и неопределенность, решает следовать за магами, чтобы спасти мир.
Вместе с Дорис и Ниммом он отправляется в путешествие в прошлое, чтобы изменить судьбу, но столкнувшись с трудностями и непредвиденными обстоятельствами, они находят силы преодолеть их.
Конец книги — это встреча с «Философским камнем», который, как оказалось, может изменить реальность. Гарри понимает, что его выбор и действия могут изменить мир, и решает не бежать от ответственности, а стать частью великой миссии.
«Гарри Поттер и философский камень» стал символом магии, веры в чудеса и силы, а также оставит на века глубокий след в литературном наследии.
@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},
}