Modelpublic

flylcw/seq_monkey_pretrain_base_1.5B

sourceHugging Facemitupdated 2mo agoView on Hugging Face

0likes18downloads

Model Card

seqmonkeypretrainbase1.5B（中文 Base 预训练模型）

基于 Qwen2.5-1.5B 架构、在出门问问「序列猴子」中文通用语料上 from-scratch（随机初始化）预训练 的中文 Base 模型。本模型为 Base（续写）模型，未经指令微调，适合下游继续预训练 / SFT，或直接做文本续写。

模型结构

项目	值
架构	Qwen2ForCausalLM（Decoder-only，LLaMA 同族）
参数量	1.5B 级（含 15 万词表 embedding，HF 统计约 2B）
hidden_size	1536
numhiddenlayers	28
numattentionheads	12
numkeyvalue_heads	2（GQA）
intermediate_size	8960
vocab_size	151936
maxpositionembeddings	131072
激活函数	SiLU（SwiGLU）
归一化	RMSNorm（eps=1e-6）
位置编码	RoPE
精度	BF16

预训练细节

—训练方式：from-scratch 随机初始化（非加载官方权重），Causal LM
—训练数据：ddzhu123/seq-monkey 的 mobvoi_seq_monkey_general_open_corpus——序列猴子中文通用文本语料，约 1300 万份中文文本，来源涵盖网页、百科、书籍等，许可 Apache-2.0
—分词器：Qwen2.5 Tokenizer（vocab 151936）
—序列长度：block_size = 1024
—优化：bf16 + DeepSpeed ZeRO-2，8×NVIDIA A800-40G
—学习率：2e-4，warmup + cosine
—训练规模：1 epoch
—收敛情况：loss 从 ~12（≈ln(151936)，随机初始化理论起点）平滑收敛至 ~3.x，grad_norm 稳定

快速开始（Base = 续写，不用 chat template）

python

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

name = "flylcw/seq_monkey_pretrain_base_1.5B"
tok = AutoTokenizer.from_pretrained(name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    name, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)

prompt = "人工智能正在改变"
ids = tok(prompt, return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=128, do_sample=True,
                     temperature=0.7, top_p=0.9, repetition_penalty=1.1)
print(tok.decode(out[0], skip_special_tokens=True))