GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
PILUSATRIO
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
PILUSATRIO
Model Tree
Qwen/Qwen3-1.7B
Input Modalities
Output Modalities
Supported Functionality
Repo ini berisi satu adapter LoRA hasil merge dari 4 adapter spesialis (masing-masing di-training terpisah) memakai metode DARE-TIES Merge (density = 0.5):
spec_A — Bahasa Indonesia, Sejarah & Sastra Nusantaraspec_B — Penalaran Matematika, Logika & Sains (CoT)spec_C — Pemrograman Python/SQL & Desain Webspec_D — Pemanggilan Tool & Integrasi RAGBase model asli tidak diubah; semua "pengetahuan" ditambahkan lewat bobot LoRA (r=16, α=16) di atas Qwen/Qwen3-1.7B.
Adapter ini harus dimuat di atas base model:
python
from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen3-1.7B"tok = AutoTokenizer.from_pretrained(base)model = AutoModelForCausalLM.from_pretrained(base, device_map="auto")model = PeftModel.from_pretrained(model, "PILUSATRIO/satri-1b") msgs = [{"role": "user", "content": "Siapa proklamator kemerdekaan Indonesia?"}]q = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)out = model.generate(**tok(q, return_tensors="pt").to(model.device), max_new_tokens=128)print(tok.decode(out[0], skip_special_tokens=True))⚠️ Baca ini dulu. Evaluasi di bawah memakai set privat yang sangat kecil (15 soal DEV, 16 soal TEST). Ini bukan benchmark standar dan tidak bisa dibandingkan langsung dengan hasil di paper/model lain. Angkanya indikatif saja, bukan klaim akurasi sesungguhnya. Skor 100% di set 15 soal artinya benar 15/15 — dengan sampel sekecil itu, 1 soal = 6,6%.
| Gugus | Qwen3-1.7B (base) | SATRI-1B (merge ini) |
|---|---|---|
| Set DEV (15 soal) | 66,7% (10/15) | 100% (15/15) |
| Set TEST (16 soal) | 62,5% (10/16) | 93,8% (15/16) |
Kedua model diuji pada soal yang sama. Peningkatan kelihatan, tapi karena sampelnya kecil, angka ini belum tentu akurat — dibutuhkan benchmark yang lebih besar untuk klaim yang serius.
Qwen3-1.7B (1,7 miliar parameter) tetaplah model kecil — untuk tugas sulit ia terbatas.Qwen/Qwen3-1.7B — Apache-2.0.PILUSATRIO). Teknis: QLoRA + PEFT + DARE-TIES merge.from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModel base = "Qwen/Qwen3-1.7B"tok = AutoTokenizer.from_pretrained(base)model = AutoModelForCausalLM.from_pretrained(base, device_map="auto")model = PeftModel.from_pretrained(model, "PILUSATRIO/satri-1b") msgs = [{"role": "user", "content": "Siapa proklamator kemerdekaan Indonesia?"}]q = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)out = model.generate(**tok(q, return_tensors="pt").to(model.device), max_new_tokens=128)print(tok.decode(out[0], skip_special_tokens=True))