Erawan 1.3

Erawan 1.3 от Airavat AI Micro Lab — языковая модель на 1,72 млрд параметров, дообученная для вызова инструментов и структурированных ответов. Построена на Erawan 1 (Qwen3-1.7B): последовательные LoRA-стадии с r=32, затем слитые в bfloat16. Задумана как execution layer агентной системы, а сложные рассуждения передаются крупной модели.

🔎 Ключевые особенности

• ⚙ Вызов инструментов: 185/200 в Glaive function-calling против 73/200 у Erawan 1.
• 🧭 Агентные сценарии: 58 из 60 исходных сценариев в симуляции с mocked tools.
• 📡 Handoff: в 6 из 6 сценариев передаёт сложные задачи reasoning-модели.
• 🔐 Отказ от unsafe/forbidden действий — 6 из 6.
• 📌 Контекст 32 768 токенов (конфиг допускает 40 960), но качество на длинных входах не тестировалось.
• 🗂 Лицензия Apache 2.0; обучение на Hermes, Glaive, GSM8K, MetaMathQA, ARC, ReClor и синтетике.

💻 Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained('airavat-ai/erawan-1.3')
tokenizer = AutoTokenizer.from_pretrained('airavat-ai/erawan-1.3')
messages = [{'role': 'user', 'content': 'Who are you?'}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors='pt', return_dict=True)
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Подробнее

Бенчмарки: Glaive function-calling — 185/200 (92,5%), GSM8K — 164/200 (82%), ARC-Challenge — 125/150 (83,3%).
Ограничения: MATH-500 — 42/100, логические пазлы BBH — 40/100; сложные рассуждения лучше передавать крупной модели.
Агентные результаты получены в симуляции с mocked tools; для инструментов с побочными эффектами нужны валидация и подтверждения.
Кодинг не оценивался; модель не предназначена для медицинских, юридических и финансовых решений.