base_model, license, language, tags, datasets

base_model	license	language	tags	datasets
Qwen/Qwen3-1.7B	apache-2.0	it	qwen3 italian europagen merged	open-ita-llms/OpenSFT-ita anakin87/fine-instructions-ita-70k DeepMount00/o1-ITA-REASONING

EuropaGen v1 (1.7B) — merged weights

EuropaGen v1 è un modello linguistico open source da 1.7 miliardi di parametri, basato su Qwen3-1.7B e specializzato per l'italiano. È un progetto indipendente sviluppato e mantenuto da Federico Barros come unico sviluppatore.

Questo repository contiene i pesi completi già uniti (LoRA/QLoRA adapter fuso nel modello base) — nessun PEFT necessario per caricarlo, pronto per il deploy diretto (es. con vLLM).

Per la versione solo-adapter (più leggera, ~140MB), vedi signorbuco/europagen-v1.

Dettagli del modello

• Modello base: Qwen/Qwen3-1.7B (Apache-2.0)
• Metodo di fine-tuning: QLoRA (rank 32, alpha 64), poi merge nei pesi completi
• Parametri: ~2.03B
• Lingua: Italiano
• Sviluppatore: Federico Barros (unico sviluppatore del progetto)
• Licenza: Apache-2.0

Dati di training

Dataset	Licenza
open-ita-llms/OpenSFT-ita	Apache-2.0
anakin87/fine-instructions-ita-70k	Apache-2.0
DeepMount00/o1-ITA-REASONING	CC BY 4.0

Tutte le licenze permettono uso commerciale con attribuzione.

Come usarlo

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("REPO_ID_QUI")
model = AutoModelForCausalLM.from_pretrained("REPO_ID_QUI", torch_dtype="bfloat16", device_map="auto")

messages = [{"role": "user", "content": "Chi sei?"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=200, do_sample=False)
print(tokenizer.decode(output[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Oppure con vLLM:

vllm serve REPO_ID_QUI

Limiti

• Modello da 1.7B parametri: capacità di conoscenza enciclopedica limitata, non affidabile per fatti storici/tecnici precisi.
• Fine-tuning di scala contenuta (20k esempi, early stopping a ~64% della prima epoca): buona aderenza allo stile del dataset, non un salto di capacità generale.

Licenza

Apache-2.0, in eredità dalla licenza del modello base Qwen3-1.7B e di tutti i dataset di training utilizzati.