CoolFace
Modelpublic

flylcw/seq_monkey_pretrain_sft_optimization_1.5B

sourceHugging Facemitupdated 2mo agoView on Hugging Face
0likes12downloads
Model Card

license: mit libraryname: transformers basemodel:

  • —flylcw/seqmonkeypretrainbase1.5B language:
  • —zh tags:
  • —qwen2
  • —qwen
  • —sft
  • —instruction-tuning
  • —chinese
  • —chat datasets:
  • —BelleGroup/train3.5MCN
  • —m-a-p/COIG-CQIA ---

seqmonkeypretrainsftoptimization_1.5B（中文指令微调模型）

在 seq_monkey_pretrain_base_1.5B 之上，经过 两阶段全参 SFT 得到的中文指令对话模型：第一阶段用 BelleGroup 通用指令数据建立指令跟随能力，第二阶段用 COIG-CQIA 高质量数据进一步对齐。

模型结构（与 Base 完全一致）

SFT 仅更新权重，不改变模型架构，因此本模型的 config.json 与 Base 模型完全相同：

项目值
架构Qwen2ForCausalLM
参数量1.5B 级（HF 统计约 2B）
hidden / layers / heads / kv_heads1536 / 28 / 12 / 2
intermediate / vocab / max_pos8960 / 151936 / 131072
激活 / 归一化 / 位置编码SiLU(SwiGLU) / RMSNorm / RoPE

两阶段 SFT 流程

阶段数据规模学习率epoch目的
阶段一BelleGroup/train_3.5M_CN3.5M 中文指令2e-53建立通用指令跟随
阶段二m-a-p/COIG-CQIA数万条高质量中文指令5e-63高质量对齐、提升回答质量
  • —训练方式：全参 SFT（非 LoRA），Causal LM，仅对 assistant 回答部分计算 loss
  • —对话模板：Qwen ChatML（<|im_start|> / <|im_end|>）
  • —序列长度：1024
  • —优化：bf16，cosine 学习率调度
  • —第二阶段说明：在阶段一 checkpoint 基础上继续 SFT，学习率调小以防破坏已学能力

快速开始（对话）

python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

name = "flylcw/seq_monkey_pretrain_sft_optimization_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)

messages = [{"role": "user", "content": "用三句话介绍一下序列猴子数据集"}]
text = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
ids = tok(text, return_tensors="pt").to(model.device)
out = model.generate(**ids, max_new_tokens=256, do_sample=True,
                     temperature=0.7, top_p=0.9, repetition_penalty=1.1)
print(tok.decode(out[0], skip_special_tokens=True))