初始化项目，由ModelHub XC社区提供模型

Model: SPAISS6F1/qwen-1b-pruned-th
Source: Original Platform

README.md

@@ -0,0 +1,125 @@
+---
+license: apache-2.0
+language: [th]
+library_name: transformers
+pipeline_tag: text-generation
+tags: [thai, pruning, depth-pruning, layer-dropping]
+---
+
+# qwen-1b-pruned-th
+
+โมเดลภาษาไทยขนาดเล็กที่ได้จากการ **Depth Pruning (Layer Dropping)** ของ `Qwen/Qwen2.5-3B`
+แล้วทำ **Healing SFT** เพื่อกู้ความสามารถกลับมา
+
+| | |
+|---|---|
+| Base model | `Qwen/Qwen2.5-3B` |
+| Base size | 3.09B (36 layers) |
+| **โมเดลนี้** | **1.70B** (เก็บ 18 layers) |
+| Layers ที่เก็บ | [0-8, 27-35] (ตัด layer กลาง เก็บหัว+ท้าย) |
+| Healing data | SEA-PILE v2 Thai (~8,000 docs) |
+| Hardware | NVIDIA A100-40GB (Lanta HPC) |
+| Requires | `transformers>=4.44`, accelerate |
+
+---
+
+## Pipeline การสร้างโมเดล (ทำซ้ำได้)
+
+### ขั้นที่ 1 — Depth Pruning (Layer Dropping)
+ตัด decoder layer ตรงกลางทิ้ง (มักทำงานซ้ำซ้อน) เก็บเฉพาะ layer หัว (เข้าใจ input)
+และ layer ท้าย (สร้าง output) — **embedding / lm_head / norm คงเดิม** จึงไม่พัง dimension
+
+```python
+import torch
+from transformers import AutoModelForCausalLM
+
+model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-3B", torch_dtype=torch.bfloat16)
+
+# หา text-decoder layer list (เลี่ยง vision encoder กรณี multimodal)
+holder, layers = None, None
+for _, mod in model.named_modules():
+    L = getattr(mod, "layers", None)
+    if isinstance(L, torch.nn.ModuleList) and len(L) and hasattr(L[0], "self_attn"):
+        holder, layers = mod, L
+        if "language" in _.lower() or "text" in _.lower():
+            break
+N = len(layers)
+
+# เก็บ 18 จาก 36 layers: หัว + ท้าย
+keep = [0,1,2,3,4,5,6,7,8, 27,28,29,30,31,32,33,34,35]
+holder.layers = torch.nn.ModuleList([layers[i] for i in keep])
+
+# อัปเดต config (รองรับ nested text_config ของ Gemma3)
+for c in {model.config, getattr(model.config, "text_config", model.config)}:
+    if getattr(c, "num_hidden_layers", None) is not None:
+        c.num_hidden_layers = len(keep)
+    lt = getattr(c, "layer_types", None)
+    if isinstance(lt, list) and len(lt) == N:
+        c.layer_types = [lt[i] for i in keep]
+
+# reindex layer_idx ของแต่ละ block (สำคัญต่อ KV cache)
+for i, lyr in enumerate(holder.layers):
+    if hasattr(lyr, "self_attn") and hasattr(lyr.self_attn, "layer_idx"):
+        lyr.self_attn.layer_idx = i
+```
+ผลลัพธ์: 3.09B -> **1.70B** (ยังไม่ถึง 1B เป๊ะ เพราะ embedding+lm_head+vocab ไม่ลดตาม layer)
+
+> หลัง prune โมเดลจะพ่น gibberish ทันที (เส้นประสาทถูกตัดขาด) -> ต้อง Healing ต่อ
+
+### ขั้นที่ 2 — Healing SFT
+เทรนต่อด้วย causal-LM บน Thai corpus เพื่อให้ layer ที่เหลือกลับมาทำงานร่วมกัน
+
+```python
+from transformers import Trainer, TrainingArguments, DataCollatorForLanguageModeling
+from datasets import load_dataset
+
+ds = load_dataset("SPAISS6F1/spai-ss6-llm-1b-thai-corpus", split="train")  # หรือ SEA-PILE v2 'th'
+tds = ds.map(lambda e: tok(e["text"], truncation=True, max_length=1024),
+             batched=True, remove_columns=ds.column_names)
+
+model.gradient_checkpointing_enable(); model.config.use_cache = False
+args = TrainingArguments(output_dir="out", num_train_epochs=2,
+    per_device_train_batch_size=4, gradient_accumulation_steps=4,
+    learning_rate=1e-4, lr_scheduler_type="cosine", warmup_ratio=0.03, bf16=True)
+Trainer(model=model, args=args, train_dataset=tds,
+        data_collator=DataCollatorForLanguageModeling(tok, mlm=False)).train()
+```
+
+**Hyperparameters:**
+- Learning rate: `1e-4` (สูงกว่าปกติเพื่อสมานแผล) | Epochs: 2
+- Batch 4 x grad-accum 4 (effective 16) | max_len 1024 | bf16
+- Optimizer: AdamW + cosine schedule, warmup 3%
+- Env: conda myenv (transformers 4.49)
+
+### ขั้นที่ 3 — Save
+```python
+model.config.use_cache = True
+try:
+    model.save_pretrained("out", safe_serialization=True)
+except RuntimeError:        # Gemma3: tied embeddings -> fallback .bin
+    model.save_pretrained("out", safe_serialization=False)
+```
+โมเดลนี้ save เป็น: `model.safetensors`
+
+---
+
+## วิธีใช้ (Inference)
+```python
+import torch
+from transformers import AutoModelForCausalLM, AutoTokenizer
+m = "SPAISS6F1/qwen-1b-pruned-th"
+tok = AutoTokenizer.from_pretrained(m)
+model = AutoModelForCausalLM.from_pretrained(m, torch_dtype=torch.bfloat16, device_map="cuda")
+ids = tok("ปัญญาประดิษฐ์ คือ", return_tensors="pt").to(model.device)
+out = model.generate(**ids, max_new_tokens=120, do_sample=True,
+                     temperature=0.7, top_p=0.9, repetition_penalty=1.3)
+print(tok.decode(out[0], skip_special_tokens=True))
+```
+
+## ข้อควรรู้ / ข้อจำกัด
+- เป็น **pruned base ที่ heal ด้วย raw web corpus** -> ไวยากรณ์ไทยลื่นไหลดี
+  แต่ **ข้อเท็จจริงและการคิดเลขยังอ่อน** (ยังไม่ผ่าน instruction tuning)
+- แนะนำ `repetition_penalty >= 1.2` กันการวนซ้ำ
+- เหมาะเป็น **base สำหรับ fine-tune ต่อด้วย instruction dataset** มากกว่าใช้ตอบตรง ๆ
+- การตัด layer 50% เป็นการตัดที่ค่อนข้างหนัก (งานวิจัย เช่น ShortGPT แนะ ~25%);
+  ถ้าต้องการคุณภาพสูงขึ้นควร heal นานขึ้น/ตัดเบาลง