初始化项目，由ModelHub XC社区提供模型

Model: Ndlcwx/qwen_1.8B-SFT
Source: Original Platform

README.md

@@ -0,0 +1,61 @@
+# qwen_1.8B-SFT
+
+此模型是基于qwen_1.8B-base模型进行SFT训练的一个chat模型，由于SFT训练语料较少，约为172万条，并且max_seq_len为512，因此具有一定的局限性，目的主要是测试此模型SFT的可行性。
+其中要求与依赖项与qwen官网相同，这里不做过多的详细描述。
+
+## 要求（Requirements）
+
+* python 3.8及以上版本
+* pytorch 1.12及以上版本，推荐2.0及以上版本
+* 建议使用CUDA 11.4及以上（GPU用户、flash-attention用户等需考虑此选项）
+* python 3.8 and above
+* pytorch 1.12 and above, 2.0 and above are recommended
+* CUDA 11.4 and above are recommended (this is for GPU users, flash-attention users, etc.)
+
+## 依赖项（Dependency）
+
+运行qwen_1.8B-SFT，请确保满足上述要求，再执行以下pip命令安装依赖库
+
+```bash
+pip install transformers==4.32.0 accelerate tiktoken einops scipy transformers_stream_generator==0.0.4 peft deepspeed
+```
+另外，推荐安装`flash-attention`库（**当前已支持flash attention 2**），以实现更高的效率和更低的显存占用。
+
+```bash
+git clone https://github.com/Dao-AILab/flash-attention
+cd flash-attention && pip install .
+# 下方安装可选，安装可能比较缓慢。
+# pip install csrc/layer_norm
+# pip install csrc/rotary
+```
+<br>
+
+## 快速使用（Quickstart）
+
+```python 
+from modelscope import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
+
+tokenizer = AutoTokenizer.from_pretrained("Ndlcwx/qwen_1.8B-SFT", revision='master', trust_remote_code=True)
+
+model = AutoModelForCausalLM.from_pretrained("Ndlcwx/qwen_1.8B-SFT", revision='master', device_map="auto", trust_remote_code=True).eval()
+
+response, history = model.chat(tokenizer, "你好", history=None)
+print(response)
+
+response, history = model.chat(tokenizer, "给我讲一个年轻人奋斗创业最终取得成功的故事。", history=history)
+print(response)
+
+response, history = model.chat(tokenizer, "给这个故事起一个标题", history=history)
+print(response)
+
+response, history = model.chat(tokenizer, "请写一段Python代码", history=history)
+print(response)
+```
+这里仅展示部分问题的回答效果：
+![](./assets/qwen_1.8_sft_chat1.png)
+![](./assets/qwen_1.8_sft_chat2.png)
+![](./assets/qwen_1.8_sft_chat3.png)
+![](./assets/qwen_1.8_sft_chat4.png)
+![](./assets/qwen_1.8_sft_chat5.png)
+![](./assets/qwen_1.8_sft_chat6.png)
+**可以看出Qwen-1.8B-SFT的效果还是不错的，毕竟预训练模型得到了充分的训练，拥有一个足够“聪明”的大脑**