Ara-JEV

Ara-JEV

根据一段简短的阿拉伯语情境、一个问题和可选选项，挑出最合适的答案标签。适合用 0.8B 级小模型处理阿拉伯语路由或判断任务的开发者。

由 AhmedReda25300 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Ara-JEV 能针对阿拉伯语文本在若干答案选项之间做决定。它的基础是 Qwen3.5-0.8B，训练时加入了 LoRA。你给它一段简短的情境、一个问题和可选的选项，它会选出最合适的答案标签。这个仓库放的是合并后的检查点，所以你不需要再加载单独的适配器。

适合谁：它适合需要对阿拉伯语文本做快速、受限判断的开发者，比如选出一个选项或定一个优先级。

Industry | Who uses it | How they use it | Example
客户支持 | 支持工具开发者 | 给阿拉伯语写的工单评定优先级 | 为一份数据泄露报告在低、中、高之间选一个
软件 | 应用开发者 | 把请求路由到工作流的正确分支 | 就一段描述的情境回答是或否的问题
研究 | NLP 研究者 | 在阿拉伯语决策数据上研究小模型 | 在带标签的选择题上给模型打分
运营 | 工作流工程师 | 给阿拉伯语流水线加一道快速检查 | 询问某个事件是否已经发生

如果你需要开放式的阿拉伯语写作或通用的阿拉伯语理解，可以跳过它。

用在哪里：它可以在 Python 里配合 transformers 库运行，也可以作为 vLLM 服务器运行。

• 使用 transformers 的 Python 脚本
• 带 chat-completions API 的 vLLM 服务器
• 能运行 PyTorch 的 Windows、macOS 或 Linux 机器

Use case | Who | What they get back
是或否的判断 | 开发者 | 所选的阿拉伯语选项文本
选择题和打分题 | 流水线开发者 | 所选选项的索引，从零开始计数
优先级评定 | 支持团队 | 针对一份描述的报告给出的评级索引

如何设置：你需要带 pip 的 Python、PyTorch，以及 5.17 或更高版本的 transformers，Qwen3.5 系列模型要求这个版本。GPU 有帮助，但没有说必须。

1. 安装 transformers 和 torch。
2. 用下面的代码加载模型，需要打开 trust_remote_code。
3. 如果要提供服务，就安装 vLLM 并运行所示的服务器命令。

pip install "transformers>=5.17" torch

如何使用：你用状态、问题和选项列表调用模型的 predict 方法。阿拉伯语的是或否选项返回所选文本，其他列表返回所选选项的索引。

import torch
from transformers import AutoModelForImageTextToText

model_id = "AhmedReda25300/Ara-JEV"
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
).eval()

result = model.predict(
    state="الاجتماع يبدأ الساعة العاشرة صباحًا. دلوقتي الساعة تسعة.",
    question="هل بدأ الاجتماع؟",
    options=["نعم", "لا"],
)
print(result)

如果要提供服务，就运行 vLLM 的 chat-completions API，并把回复限制在允许的标签内。

vllm serve AhmedReda25300/Ara-JEV \
  --dtype bfloat16 \
  --max-model-len 8192

Tool | What it does
predict | 替你构建提示词并给选项打分
vllm serve | 通过 chat-completions API 提供模型服务
hf download | 把模型文件下载到你的电脑

示例：你传入情境“会议上午十点开始，现在是九点”，问会议是否已经开始，并给出是和否两个选项。模型会返回阿拉伯语的“否”。

新手与专家：可以把它看作阿拉伯语情境的选择题批改器。先从上面是或否的例子开始，确认打印出来的答案合理。

这个模型是秩为 16 的 LoRA，训练了一个轮次，并合并进基础权重。报告的分数用的是在已知候选里做受限标签打分，所以衡量的是在给定标签中做选择，而不是自由生成。在 A40 上对 100 个样本做的 vLLM 测试，平均每个请求 61.3 ms。

给出状态、问题和选项
模型给每个允许的标签打分
它选出得分最高的标签
你得到选项文本或它的索引

注意事项：在包含 10,419 个样本的留出测试集上，准确率因问题类型而异，是或否是薄弱环节。

Title: 留出测试集上各问题类型的准确率
选择题: 98.36 percent
打分题: 95.25 percent
是或否: 81.71 percent

• Limits: 在评测之外的方言、领域和任务上，结果尚未确立。
• 这些分数不代表开放式推理或通用的阿拉伯语理解。请先在你自己的数据上验证。
• Remote code: 加载时需要 trust_remote_code，它会运行模型仓库自带的 predict 方法。
• License: Apache 2.0，与基础模型相同。
• Cost to run: 未提及。
• Data it reaches: 你传入的文本，文件下载完成后在本地处理。
• Not for: 没有专家复核的高影响决策。

Hugging Face 上的数据（2026年11月13日）

• 任务：text generation
• 框架：transformers
• 参数量：853M
• Weights: about 1.7 GB in BF16; about 426 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,316
• 点赞：4
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-0.8B
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, arabic, qwen3.5, decision-making, merged-lora, text-generation, conversational

链接

• 模型：https://huggingface.co/AhmedReda25300/Ara-JEV
• 文件：https://huggingface.co/AhmedReda25300/Ara-JEV/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download AhmedReda25300/Ara-JEV

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。