Files
cantonese-qwen3-8b-base/README.md

64 lines
2.3 KiB
Markdown
Raw Permalink Normal View History

---
license: apache-2.0
base_model: Qwen/Qwen3-8B-Base
tags:
- cantonese
- orthography
- liujgoj
- speech-first
- cpt
- text-generation
pipeline_tag: text-generation
---
# Cantonese-Qwen3-8B-Base (Powered by Liujgoj)
## 📌 簡介 / Overview
6月7日重新訓練。
**Cantonese-Qwen3-8B-Base** 係一個專門為 **溜歌粵語書寫系統Liujgoj Cantonese Orthography** 進行增量預訓練Continued Pre-Training, CPT嘅大語言模型。
本模型以 **Qwen3-8B-Base** 為基座透過大規模嘅語音原生Speech-native拉丁化粵語文本語料庫進行微調。核心目的係讓大模型深度內化溜歌系統的音節結構與聲調編碼擺脫漢字Hanzi嘅依賴實現機器原生的粵語文本理解與生成。
### ⚠️ 重要聲明 (Important Clarification)
**Liujgoj溜歌發展自粵拼 Jyutping 系統是一套設計用於獨立寫作、閱讀、且音位結構確定Deterministic Syllable Structure嘅完整粵語拉丁正字法Independent Orthography。** 本模型在預訓練階段將溜歌正詞法直接焊死在模型的 Token 概率分佈中。
---
## 📈 訓練數據與成果 / Training Details
- **基座模型 (Base Model)**: `Qwen3-8B-Base` (ModelScope / Hugging Face)
- **訓練管道 (Pipeline)**: LLaMA-Factory (LoRA CPT, 3 Epochs)
- **核心語料 (Corpus)**:
- 精選超過 60 部香港經典電影部分對白之文本口語對白轉錄。
- **訓練指標 (Metrics)**:
- 初始 Loss: ~2.6
- **最終 Train Loss: 1.5951** (收斂表現極佳,語意對齊深度完成)
---
## 🚀 快速開始 / Quick Start
本模型目前為 **CPT 基座模型 (Base Model)**,具備極強嘅 Liujgoj 文字續寫與接龍直覺。推薦使用 OpenAI 相容的 `completions``chat/completions` 接口進行純文字續寫。
### Python (使用 Transformers 載入)
```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "Yvthyvq/cantonese-qwen3-8b-base"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto"
)
prompt = "Yixgaaj heoi binj douh? "
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=50, temperature=0.7)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))