You can deploy this model and start earning money today!

clw8998/
Qwen3-1.7B-SFT-NER

Name: Qwen3-1.7B-SFT-NER
Availability: InStock

safetensors

qwen3

Views

No views yet

Requirements

pip install torch>=2.6.0 transformers>=4.51.3 jsonyx

Inference example:

python

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
import jsonyx as json
base_model_name    = "clw8998/Qwen3-1.7B-SFT-NER"
device = "cuda" if torch.cuda.is_available() else "cpu"
ctx = "OASIS Curve瞬熱製冷UVC濾淨飲水機" # put your context here
annotation_rules = {
    "品牌": "商品品牌名稱，如 華碩、LG",
    "系列名稱": "產品中所有的“產品系列”，以及商人為了特殊目的所特別額外創造出的商品名稱，使用者可能會利用該名稱搜尋商品，不包含特殊主題或是產品類型，不含廣告詞。如 Iphone 12、ROG 3060Ti",
    "產品類型": "實際產品名稱",
    "產品序號": "產品序號，該產品所擁有的唯一英數符號組合序號，不含系列名。",
    "顏色": "顏色資訊，包含化妝品色調以及明亮，如 花朵紅、藍色系、晶亮",
    "材質": "產品的製造材料，一般情況下不能食用，較接近原物料，不是產品成分，請注意，“紙”尿褲的材質是棉，不是紙，“皮革”外套的皮革是材質。如 木製、PVC材質、304不鏽鋼",
    "對象與族群": "人與動物的族群，如 新生兒用、寵物用、高齡族群",
    "適用物體、事件與場所": "適用的物品、事件、場所。如 手部用、騎車用、廚房用",
    "特殊主題": "該物品富含特殊人為創造創作、人物，並且該創作名有一定知名度。如 航海王、J.K.Rowling",
    "形狀": "商品形狀，囊括簡單的幾何圖形，以及明確從名稱中可以知道該商品屬於該形狀的詞。包含衣服版型。如 圓形、紐扣形、可愛熊造型、寬版、無袖、長筒、窄邊框",
    "圖案": "商品上的圖案，囊括簡單的幾何圖形，以及明確從名稱中可以知道該商品屬於該圖案的詞",
    "尺寸": "商品大小，常以數字與單位或特殊規格形式出現，如 120x80x10cm (長寬高)、XL、ATX (主機板)",
    "重量": "商品重量，常以數字與單位或特殊規格形式出現，如 10g、極輕",
    "容量": "商品容量，常以數字與單位或特殊規格形式出現，如 128G (電腦)、大容量",
    "包裝組合": "產品包裝方式、包裝分量以及贈品，如 10入、10g/包、鍵盤滑鼠桌墊組合、送電池",
    "功能與規格": "產品的功用、與其特殊規格、以及產品額外的特性。如 USB3.0、防臭、太陽能",
}
all_atts = list(annotation_rules.keys())
all_atts_json = json.dumps(all_atts, ensure_ascii=False)
PROMPT_TEMPLATE = (
    "商品名稱：{ctx}\n"
    "請根據以下屬性列表，從商品名稱中抽取相應實體：\n"
    f"{all_atts_json}\n"
    "請以純 JSON 回傳，格式範例：\n"
    "{{\n"
    '  "品牌": [...],\n'
    '  ...\n'
    '  "功能與規格": [...]\n'
    "}}\n"
    "若無對應實體，請以空陣列表示"
)
tokenizer = AutoTokenizer.from_pretrained(base_model_name)
base_model = AutoModelForCausalLM.from_pretrained(
    base_model_name,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
).to(device)
model = base_model
model.eval()
user_msg = PROMPT_TEMPLATE.format(ctx=ctx)
prompt = tokenizer.apply_chat_template(
    [
        {"role":"user","content":user_msg}
    ],
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False)
inputs = tokenizer(prompt, return_tensors="pt").to(device)
with torch.no_grad():
    ids = model.generate(**inputs, max_new_tokens=1024, temperature=1e-5)
raw = tokenizer.decode(ids[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)
print(raw)

Output

```json
{
 "品牌": ["OASIS"],
 "系列名稱": ["Curve"],
 "產品類型": ["飲水機"],
 "產品序號": [],
 "顏色": [],
 "材質": [],
 "對象與族群": [],
 "適用物體、事件與場所": [],
 "特殊主題": [],
 "形狀": [],
 "圖案": [],
 "尺寸": [],
 "重量": [],
 "容量": [],
 "包裝組合": [],
 "功能與規格": ["瞬熱", "UVC濾淨"]
}
```