初始化项目，由ModelHub XC社区提供模型

Model: cmz1024/OLMo3-190M-zh-v3.1
Source: Original Platform

.gitattributes

@@ -0,0 +1,35 @@
+*.7z filter=lfs diff=lfs merge=lfs -text
+*.arrow filter=lfs diff=lfs merge=lfs -text
+*.bin filter=lfs diff=lfs merge=lfs -text
+*.bz2 filter=lfs diff=lfs merge=lfs -text
+*.ckpt filter=lfs diff=lfs merge=lfs -text
+*.ftz filter=lfs diff=lfs merge=lfs -text
+*.gz filter=lfs diff=lfs merge=lfs -text
+*.h5 filter=lfs diff=lfs merge=lfs -text
+*.joblib filter=lfs diff=lfs merge=lfs -text
+*.lfs.* filter=lfs diff=lfs merge=lfs -text
+*.mlmodel filter=lfs diff=lfs merge=lfs -text
+*.model filter=lfs diff=lfs merge=lfs -text
+*.msgpack filter=lfs diff=lfs merge=lfs -text
+*.npy filter=lfs diff=lfs merge=lfs -text
+*.npz filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.ot filter=lfs diff=lfs merge=lfs -text
+*.parquet filter=lfs diff=lfs merge=lfs -text
+*.pb filter=lfs diff=lfs merge=lfs -text
+*.pickle filter=lfs diff=lfs merge=lfs -text
+*.pkl filter=lfs diff=lfs merge=lfs -text
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text
+*.rar filter=lfs diff=lfs merge=lfs -text
+*.safetensors filter=lfs diff=lfs merge=lfs -text
+saved_model/**/* filter=lfs diff=lfs merge=lfs -text
+*.tar.* filter=lfs diff=lfs merge=lfs -text
+*.tar filter=lfs diff=lfs merge=lfs -text
+*.tflite filter=lfs diff=lfs merge=lfs -text
+*.tgz filter=lfs diff=lfs merge=lfs -text
+*.wasm filter=lfs diff=lfs merge=lfs -text
+*.xz filter=lfs diff=lfs merge=lfs -text
+*.zip filter=lfs diff=lfs merge=lfs -text
+*.zst filter=lfs diff=lfs merge=lfs -text
+*tfevents* filter=lfs diff=lfs merge=lfs -text

README.md

@@ -0,0 +1,157 @@
+---
+license: apache-2.0
+language:
+- zh
+tags:
+- pretrained
+- olmo3
+- chinese
+- continue-pretrain
+- mid-training
+library_name: transformers
+pipeline_tag: text-generation
+base_model: allenai/Olmo-3-1025-7B
+datasets:
+- openbmb/Ultra-FineWeb
+- opencsg/chinese-cosmopedia
+- wikimedia/wikipedia
+---
+
+# OLMo3-190M-zh-v3.1
+
+**中文 continue-pretrain 教学模型**，基于 OLMo3-190M 架构，在 v3 (from-scratch pretrain) 之上注入 **事实密度高的中文语料**（Wikipedia-zh + Cosmopedia-Chinese）。
+
+> **活水 42ailab 出品**。配套于《零基础 AI 大模型研发训练营》第 04 讲：预训练。
+
+## 来源与动机
+
+v3.1 的目标是**验证 continue pretrain 这个工业级技术**：在已有 base model 上继续训练 1-2B tokens，以低成本（**~$14 / 3h H100**）改善特定能力。
+
+**对比 v3（原 base）→ v3.1 的 7-prompt 抽测**：
+
+| Prompt | v3 | v3.1 | 变化 |
+|---|---|---|---|
+| 人工智能是 | 🟢 | 🟢 | 持平 |
+| 北京大学位于 | 🔴 "江苏省" | 🟢 **"北京市"** | ✅ 关键质变 |
+| Python 是一种 | 🔴 "开源库" | 🟡 "开源的可扩展代码" + 能写代码 | ✅ 改善 |
+| 中国古代四大发明是 | 🔴 | 🔴 | 持平（190M 物理天花板）|
+| 其他 3 个 | 🟡×3 | 🟡×3 + 1 退步 | — |
+| **合计** | **1🟢 3🟡 3🔴** | **2🟢 3🟡 2🔴** | **+1 绿** |
+
+关键 takeaways：
+- ✅ **事实密度策略有效**：wiki + Cosmopedia 让"北京大学"跨过了 190M 模型的记忆阈值。
+- ⚠️ **190M 参数有记忆天花板**："四大发明"即便在语料中存在，曝光次数不够就学不会。
+- ⚠️ **未清洗的 Wiki 会引入格式污染**：红楼梦 prompt 出现"林黛玉、林黛玉、林黛玉的妹妹"重复——已作为 v4 必修项。
+
+## 架构
+
+基于 **OLMo3-190M canonical** 架构（和 allenai/Olmo-3 同宗，但从零训练 + continue pretrain）：
+
+| 字段 | 值 |
+|---|---|
+| `architectures` | `["Olmo3ForCausalLM"]` |
+| `hidden_size` | 768 |
+| `num_hidden_layers` | 12 |
+| `num_attention_heads` | 12 |
+| `intermediate_size` | 3072 |
+| `sliding_window` | 4096 (每 4 层 full attention) |
+| `vocab_size` | 48000 (自训 48k 中文 BPE) |
+| `max_position_embeddings` | 4096 |
+| `total params` | ~187M |
+
+## 使用
+
+### 最简用法（路径 A）
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+tok = AutoTokenizer.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
+model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
+
+inputs = tok("北京大学位于", return_tensors="pt")
+outputs = model.generate(**inputs, max_new_tokens=50, temperature=0.8, top_p=0.9)
+print(tok.decode(outputs[0], skip_special_tokens=True))
+```
+
+### 用于 SFT（推荐用法，L05 课程路径）
+v3.1 是 **base model**，没有对话能力。上 SFT 就是：
+```python
+from transformers import AutoModelForCausalLM
+# 作为 SFT 基座
+model = AutoModelForCausalLM.from_pretrained("42ailab/OLMo3-190M-zh-v3.1")
+# ... 用 TRL SFTTrainer 训练
+```
+
+### 国内加速
+```bash
+export HF_ENDPOINT=https://hf-mirror.com
+# 或用 ModelScope：https://modelscope.cn/models/42ailab/OLMo3-190M-zh-v3.1
+```
+
+## 训练配方
+
+### 数据混合（1.19B tokens effective）
+
+| 数据源 | HF 路径 | tokens | % |
+|---|---|---|---|
+| v3 replay | 自 merged_raw 抽样 30% | 300M | 27% |
+| Wikipedia-zh | `wikimedia/wikipedia` config `20231101.zh` | 394M | 35% |
+| Cosmopedia-Chinese | `opencsg/chinese-cosmopedia` | 500M | 45% |
+
+（原计划加入 `bigcode/the-stack-v2` 代码和 `liwu/MNBVC` 事实补刀，但两者在 HF datasets 3.0+ 中因 script-based loading 失效。v4 会用 Parquet-native 替代。）
+
+### 超参
+- Base: v3 final checkpoint
+- Peak lr: **2e-4**（v3 peak 5e-4 的 2/5）
+- Warmup: **500 steps** 显式（从 ~0 线性爬升）
+- Scheduler: cosine decay to 2e-5
+- Batch: 16 × 2048 × grad_accum 8 = **262K tokens/step**
+- Max steps: 5700
+- Duration: **3h 00min** on H100
+- Attention: **SDPA**（OLMo3 SWA + flash-attn-2 有 `s_aux` None bug，continue pretrain 场景必须 SDPA）
+
+### Loss 轨迹
+| step | train loss |
+|---|---|
+| 0 | 3.33 |
+| 500 (warmup done) | 2.97 |
+| 1500 | 2.87 |
+| 3000 | 2.81 |
+| 4500 | 2.80 |
+| 5700 (final) | **2.85 mean** |
+
+对比 v3 final mean loss **3.95** → v3.1 **-28%**。
+
+## 限制
+
+1. **事实记忆上限**：190M 参数约能稳定记住 ~1000-2000 个事实。"四大发明"等低曝光事实仍会错。
+2. **无 code 数据**：Stage-2 计划中的代码数据源因 HF gated / script-based 问题未加入。"Python 是编程语言"仍偶有漂移。
+3. **未做 SFT**：v3.1 是纯 base model，不会对话。对话任务需额外做 SFT。
+4. **eval 数字偏乐观**：训练时 eval/loss = 2.00 是在 in-domain 数据上算的（wiki + Cosmopedia 尾部），不能直接对比 v3 的 3.61 held-out eval。
+
+## License
+
+- **模型权重**：Apache-2.0（允许商用）
+- **训练数据**：混合 license
+  - FineWeb-Edu-Chinese V2.2、Ultra-FineWeb、Cosmopedia-Chinese：Apache-2.0
+  - **Wikipedia-zh**：**CC-BY-SA-3.0 + GFDL**（share-alike 传染性，商用前请咨询法律）
+
+按 Allen AI OLMo 社区实践：权重本身声明 Apache-2.0，但披露训练数据含 CC-BY-SA 内容。
+
+## Citation
+
+```bibtex
+@misc{huoshui-olmo3-190m-zh-v3.1,
+  title={OLMo3-190M-zh-v3.1: Chinese Continue-Pretrained Teaching Model},
+  author={活水 AI 实验室 (42ailab) and 阳志平},
+  year={2026},
+  howpublished={\url{https://huggingface.co/42ailab/OLMo3-190M-zh-v3.1}},
+  note={LLM001 Course, Lecture 04}
+}
+```
+
+## 配套资源
+
+- **数据集**：[`42ailab/llm101-v3.1-data`](https://huggingface.co/datasets/42ailab/llm101-v3.1-data) — tokenizer + tokenized.bin + nano 子集 + 7-prompt 评测对照
+- **课程仓库**：https://cnb.cool/42edu/LLM001/llm001
+- **讲师笔记**：`demo/ch04/OLMo3-190M-zh-v3.1/teaching_notes.md`

chat_template.jinja

@@ -0,0 +1,8 @@
+{% for message in messages %}{% if message['role'] == 'system' %}<|im_start|>system
+{{ message['content'] }}<|im_end|>
+{% elif message['role'] == 'user' %}<|im_start|>user
+{{ message['content'] }}<|im_end|>
+{% elif message['role'] == 'assistant' %}{% generation %}<|im_start|>assistant
+{{ message['content'] }}<|im_end|>
+{% endgeneration %}{% endif %}{% endfor %}{% if add_generation_prompt %}<|im_start|>assistant
+{% endif %}

config.json

@@ -0,0 +1,45 @@
+{
+  "architectures": [
+    "Olmo3ForCausalLM"
+  ],
+  "attention_bias": false,
+  "attention_dropout": 0.0,
+  "attn_implementation": "sdpa",
+  "bos_token_id": 2,
+  "dtype": "bfloat16",
+  "eos_token_id": 0,
+  "hidden_act": "silu",
+  "hidden_size": 768,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_types": [
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "sliding_attention",
+    "full_attention"
+  ],
+  "max_position_embeddings": 4096,
+  "model_type": "olmo3",
+  "num_attention_heads": 12,
+  "num_hidden_layers": 12,
+  "num_key_value_heads": 12,
+  "pad_token_id": 1,
+  "rms_norm_eps": 1e-06,
+  "rope_parameters": {
+    "rope_theta": 500000,
+    "rope_type": "default"
+  },
+  "sliding_window": 4096,
+  "tie_word_embeddings": false,
+  "transformers_version": "5.6.0",
+  "use_cache": false,
+  "vocab_size": 48000
+}

generation_config.json

@@ -0,0 +1,12 @@
+{
+  "_from_model_config": true,
+  "bos_token_id": 2,
+  "eos_token_id": [
+    0
+  ],
+  "output_attentions": false,
+  "output_hidden_states": false,
+  "pad_token_id": 1,
+  "transformers_version": "5.6.0",
+  "use_cache": true
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7e96b1881b0b58b1e856b471047606161e1e4470c8bc04ff4aad86c71f416b8f
+size 374038864

special_tokens_map.json

@@ -0,0 +1,6 @@
+{
+  "bos_token": "<|bos|>",
+  "eos_token": "<|endoftext|>",
+  "pad_token": "<|pad|>",
+  "unk_token": "<|unk|>"
+}

tokenizer_config.json

@@ -0,0 +1,12 @@
+{
+  "tokenizer_class": "PreTrainedTokenizerFast",
+  "bos_token": "<|bos|>",
+  "eos_token": "<|endoftext|>",
+  "pad_token": "<|pad|>",
+  "unk_token": "<|unk|>",
+  "add_bos_token": false,
+  "add_eos_token": false,
+  "clean_up_tokenization_spaces": false,
+  "model_max_length": 4096,
+  "chat_template": "{% for message in messages %}{% if message['role'] == 'system' %}<|im_start|>system\n{{ message['content'] }}<|im_end|>\n{% elif message['role'] == 'user' %}<|im_start|>user\n{{ message['content'] }}<|im_end|>\n{% elif message['role'] == 'assistant' %}{% generation %}<|im_start|>assistant\n{{ message['content'] }}<|im_end|>\n{% endgeneration %}{% endif %}{% endfor %}{% if add_generation_prompt %}<|im_start|>assistant\n{% endif %}\n"
+}

training_args.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:584bf9f0fc01e155aec4504ea76ea0dc1844eecb1f292e5801a2d14efd484d63
+size 4856