commit 18074ee0592a349ce73df269107b9b18230e0c56 Author: ModelHub XC Date: Fri Jul 24 02:12:09 2026 +0800 初始化项目，由ModelHub XC社区提供模型 Model: fenyo/Qwen2.5-7B-base2instruct Source: Original Platform diff --git a/.gitattributes b/.gitattributes new file mode 100644 index 0000000..52373fe --- /dev/null +++ b/.gitattributes @@ -0,0 +1,36 @@ +*.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 +tokenizer.json filter=lfs diff=lfs merge=lfs -text diff --git a/README.md b/README.md new file mode 100644 index 0000000..66468be --- /dev/null +++ b/README.md @@ -0,0 +1,170 @@ +--- +license: apache-2.0 +base_model: Qwen/Qwen2.5-7B +language: +- fr +- en +library_name: transformers +pipeline_tag: text-generation +tags: +- qwen2.5 +- sft +- dpo +- rlvr +- grpo +- trl +- instruction-tuning +datasets: +- allenai/tulu-3-sft-mixture +- allenai/tulu-3-pref-personas-instruction-following +- HuggingFaceH4/ultrafeedback_binarized +- openai/gsm8k +- allenai/RLVR-IFeval +--- + +# Qwen2.5-7B-base2instruct + +Modèle conversationnel construit **à partir du modèle de base** [`Qwen/Qwen2.5-7B`](https://huggingface.co/Qwen/Qwen2.5-7B) +(non-instruct), via un pipeline **SFT → DPO → RLVR** entièrement reproduit **sur un seul GPU H100 80 Go**. +Objectif de l'expérience : reproduire nous-mêmes la transformation base→instruct, la comparer à l'instruct +officiel [`Qwen/Qwen2.5-7B-Instruct`](https://huggingface.co/Qwen/Qwen2.5-7B-Instruct), et **en tirer une recette +et des leçons réutilisables**. + +📦 **Code, scripts et recette complète** : https://github.com/AlexandreFenyo/qwen2.5-7b-base2instruct + +--- + +## Résultats (lm-evaluation-harness, backend vLLM) + +| modèle | IFEval (suivi d'instructions) | GSM8K (maths) | MMLU (connaissances) | +|---|---|---|---| +| base Qwen2.5-7B | 27.4 | 83.0 | 71.8 | +| + SFT (300k) | 51.2 | 77.6 | 69.2 | +| + DPO ciblé | 68.9 | 80.1 | 70.0 | +| **+ RLVR gradué (ce modèle)** | **75.0** | 79.7 | **70.2** | +| instruct officiel | 71.9 | 84.7 | 68.8 | + +**Ce modèle dépasse l'instruct officiel sur IFEval (75.0 vs 71.9) et MMLU (70.2 vs 68.8)**, et reste en +retrait sur les maths (79.7 vs 84.7). ⚠️ Honnêteté : on a *spécialisé* le modèle vers le suivi d'instructions +(DPO et RLVR tous deux ciblés là-dessus) ; l'officiel est généraliste. On le bat donc sur l'axe optimisé, +pas « partout » (chat ouvert, sécurité, code, multi-tours non évalués ici). + +--- + +# Un cours condensé : transformer un modèle de base en modèle instruct + +## 0. L'idée fondamentale : savoir ≠ savoir obéir +Un modèle de **base** (pré-entraîné sur ~18 000 milliards de tokens) possède **déjà** la connaissance et +le raisonnement. La preuve : avant tout post-training, il fait **83 sur GSM8K** et **71.8 sur MMLU**. Ce +qui lui manque, c'est le **comportement d'assistant** : répondre à une consigne, en 0-shot, dans un format +de chat. Le post-training **n'ajoute pas de savoir — il installe un comportement**. + +C'est visible dans le tableau : le base est fort en MMLU/GSM8K (évalués en *few-shot*, par complétion de +motif, sans obéissance requise) mais **faible en IFEval (27.4)** — précisément la compétence « obéir à une +consigne » qui lui manque. Tout le pipeline sert à combler ce 27 → 75. + +## 1. SFT — apprendre le format chat (full fine-tuning) +- **Méthode** : *Supervised Fine-Tuning*. On entraîne le modèle à reproduire des réponses d'assistant au + format **ChatML** (`<|im_start|>role … <|im_end|>`), loss calculée **sur la réponse seule** + (`assistant_only_loss`). +- **Données** : [`allenai/tulu-3-sft-mixture`](https://huggingface.co/datasets/allenai/tulu-3-sft-mixture), + sous-ensemble de **300k** exemples. +- **Effet** : IFEval **27 → 51**. C'est le SFT qui « réveille » le comportement d'assistant et la plus + grande part du raisonnement latent du base. +- **Ce qui a marché** : plus de données SFT aide (180k→300k : +6 IFEval vs une version antérieure). +- **Ce qui a coincé** : **instabilité numérique**. Le SFT a divergé deux fois (gradient `NaN`) à cause + d'**overflows bf16 du forward** sur des échantillons pathologiques (logits → `inf`). Correctif : + un **garde-fou** qui neutralise les gradients non-finis avant le pas d'optimisation (`nan_to_num`) → + le batch fautif est sauté sans corrompre le modèle. *Leçon : sur de longs runs full-FT en bf16, prévoir + une protection anti-NaN.* + +## 2. DPO — aligner sur des préférences (l'étape décisive) +- **Méthode** : *Direct Preference Optimization*. Apprentissage **hors-ligne** à partir de paires + `chosen`/`rejected` : le modèle apprend à préférer la bonne réponse à la mauvaise. Implémenté en **LoRA** + (référence = modèle adaptateur désactivé). +- **Ce qui a moins marché — DPO générique** : avec + [`ultrafeedback_binarized`](https://huggingface.co/datasets/HuggingFaceH4/ultrafeedback_binarized) + (préférences *générales* de qualité), IFEval **n'a pas bougé** (≈ +0). Le signal « réponse globalement + meilleure » ne dit rien sur « réponse qui respecte la consigne ». +- **Ce qui a été DÉCISIF — DPO ciblé** : avec + [`allenai/tulu-3-pref-personas-instruction-following`](https://huggingface.co/datasets/allenai/tulu-3-pref-personas-instruction-following) + (~20k paires où la réponse *choisie respecte une contrainte* et la *rejetée la viole*) + 10k génériques + pour la diversité, IFEval **51 → 69 (+17.7)** — quasi le niveau officiel, d'un coup. +- **Leçon centrale** : *même algorithme, données génériques vs ciblées → +17.7 d'écart.* Pour progresser + sur une capacité, il faut des données qui **ciblent exactement cette capacité**. + +## 3. RLVR via GRPO — récompense vérifiable (amplifier) +- **Méthode** : *Reinforcement Learning with Verifiable Rewards*, algorithme **GRPO** (Group Relative + Policy Optimization). Le modèle **génère lui-même** ~8 réponses par prompt ; un **programme vérificateur** + note chacune ; l'avantage = écart à la moyenne du groupe → renforce les meilleures. En **LoRA**, génération + via transformers (vLLM 0.22 incompatible avec le GRPO de TRL 1.5.1). +- **Récompenses vérifiables** (sans reward model) : + - **maths** : réponse correcte (parse `\boxed{}`, [`openai/gsm8k`](https://huggingface.co/datasets/openai/gsm8k)) + - **suivi d'instructions** : contraintes vérifiées par programme (24 validateurs maison : minuscules, + nombre de paragraphes, mots-clés, format… inspirés de + [`allenai/RLVR-IFeval`](https://huggingface.co/datasets/allenai/RLVR-IFeval)). +- **Ce qui a échoué — récompense BINAIRE** : 1 contrainte/prompt, reward 0/1. Résultat : **effondrement de + l'avantage GRPO**. Dans un groupe de 8, soit toutes réussissent (contrainte facile), soit toutes échouent + (dure) → écart-type nul → **gradient nul** (`frac_reward_zero_std → 1.0`). IFEval inchangé. +- **Ce qui a marché — récompense GRADUÉE** : prompts à **2-3 contraintes**, reward = **fraction satisfaite** + (0 / 0.33 / 0.66 / 1.0) → variance dans le groupe → gradient vivant → IFEval **69 → 75 (+6.1)**. +- **Leçon** : le RLVR **amplifie** une capacité que le modèle sait *déjà parfois* produire (ici, le DPO + l'avait installée) — « installer (DPO/SFT) puis amplifier (GRPO) ». Si le modèle ne sait pas du tout + faire, GRPO n'a rien à renforcer (pas de variance). + +--- + +## Les 3 grandes leçons transférables +1. **Le savoir vient du base ; le post-training installe un comportement.** Reproduire une *capacité* + précise est bon marché ; ce qui est cher (pré-entraînement) est hérité gratuitement du base open-weights. +2. **Le signal doit cibler la capacité visée.** Vérifié 3 fois : SFT 180k→300k (+6), DPO générique→ciblé + (+17.7), RLVR binaire→gradué (+6). Le générique ne transfère pas. +3. **Installer puis amplifier.** SFT/DPO installent (imitation, hors-ligne) ; GRPO amplifie (exploration, + en-ligne). Le RLVR brille surtout là où existe un **vérificateur** (maths, code, contraintes) et où + l'exploration aide (raisonnement) — pas pour des comportements déjà bien couverts par des paires. + +## Piège d'évaluation à connaître +En GSM8K `strict-match`, l'instruct officiel tombait à **21 %** — pur artefact (il n'émet pas le format +`#### N` et sa CoT verbeuse dépassait la limite de tokens). Mesuré équitablement (`flexible-extract`, +1024 tokens) : **84.7 %**. *Toujours vérifier ce que le parser attend avant de conclure.* + +--- + +## Recette & stack +- **SFT** : full fine-tuning, ChatML, `assistant_only_loss`, bf16, SDPA, gradient checkpointing, + optim `adamw_8bit`, lr 4e-6, garde-fou anti-NaN. +- **DPO** : LoRA r=32, β=0.1, lr 5e-6, référence en direct (⚠️ `precompute_ref_log_probs=True` provoque + des NaN en bf16 — à désactiver). +- **RLVR** : GRPO-LoRA r=16, 8 générations/prompt, récompense graduée multi-contraintes, lr 2e-6, 2500 steps. +- **Stack** : PyTorch cu128 · transformers · **TRL 1.5.1** · PEFT · vLLM 0.22 (éval) · lm-eval 0.4.12 · + suivi **Weights & Biases**. + +## Datasets utilisés +| étape | dataset | rôle | +|---|---|---| +| SFT | [`allenai/tulu-3-sft-mixture`](https://huggingface.co/datasets/allenai/tulu-3-sft-mixture) | format chat + instructions | +| DPO | [`allenai/tulu-3-pref-personas-instruction-following`](https://huggingface.co/datasets/allenai/tulu-3-pref-personas-instruction-following) | préférences **ciblées** suivi d'instructions (décisif) | +| DPO | [`HuggingFaceH4/ultrafeedback_binarized`](https://huggingface.co/datasets/HuggingFaceH4/ultrafeedback_binarized) | préférences génériques (diversité) | +| RLVR | [`openai/gsm8k`](https://huggingface.co/datasets/openai/gsm8k) | récompense vérifiable maths | +| RLVR | [`allenai/RLVR-IFeval`](https://huggingface.co/datasets/allenai/RLVR-IFeval) | inspiration contraintes d'instructions | +| Éval | `google/IFEval`, `openai/gsm8k`, `cais/mmlu` | benchmarks | + +## Utilisation +```python +from transformers import AutoModelForCausalLM, AutoTokenizer +tok = AutoTokenizer.from_pretrained("fenyo/Qwen2.5-7B-base2instruct") +model = AutoModelForCausalLM.from_pretrained("fenyo/Qwen2.5-7B-base2instruct", torch_dtype="bfloat16", device_map="auto") +msgs = [{"role": "user", "content": "Explique en deux phrases pourquoi le ciel est bleu."}] +inputs = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt").to(model.device) +print(tok.decode(model.generate(inputs, max_new_tokens=200)[0][inputs.shape[1]:], skip_special_tokens=True)) +``` +Format **ChatML**, identique à l'instruct officiel. + +## Limites +Modèle expérimental, **spécialisé suivi d'instructions** (peut être moins poli que l'officiel en chat +ouvert, sécurité, code, multi-tours — non évalués). En retrait sur les maths. Peut halluciner. + +## Crédits +Base/instruct de référence : **Qwen2.5** (Alibaba, Apache-2.0). Données : **AllenAI Tülu-3**, HuggingFace H4, +OpenAI GSM8K. Entraînement : **TRL** (Hugging Face). Recette & code : +[github.com/AlexandreFenyo/qwen2.5-7b-base2instruct](https://github.com/AlexandreFenyo/qwen2.5-7b-base2instruct). diff --git a/chat_template.jinja b/chat_template.jinja new file mode 100644 index 0000000..e724870 --- /dev/null +++ b/chat_template.jinja @@ -0,0 +1,5 @@ +{% for message in messages %}{{ '<|im_start|>' + message['role'] + ' +' }}{% if message['role'] == 'assistant' %}{% generation %}{{ message['content'] + '<|im_end|>' + ' +' }}{% endgeneration %}{% else %}{{ message['content'] + '<|im_end|>' + ' +' }}{% endif %}{% endfor %}{% if add_generation_prompt %}{{ '<|im_start|>assistant +' }}{% endif %} \ No newline at end of file diff --git a/config.json b/config.json new file mode 100644 index 0000000..0f5a22f --- /dev/null +++ b/config.json @@ -0,0 +1,62 @@ +{ + "architectures": [ + "Qwen2ForCausalLM" + ], + "attention_dropout": 0.0, + "bos_token_id": null, + "dtype": "bfloat16", + "eos_token_id": 151643, + "hidden_act": "silu", + "hidden_size": 3584, + "initializer_range": 0.02, + "intermediate_size": 18944, + "layer_types": [ + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention", + "full_attention" + ], + "max_position_embeddings": 131072, + "max_window_layers": 28, + "model_type": "qwen2", + "num_attention_heads": 28, + "num_hidden_layers": 28, + "num_key_value_heads": 4, + "pad_token_id": 151643, + "rms_norm_eps": 1e-06, + "rope_parameters": { + "rope_theta": 1000000.0, + "rope_type": "default" + }, + "sliding_window": null, + "tie_word_embeddings": false, + "transformers_version": "5.9.0", + "use_cache": false, + "use_mrope": false, + "use_sliding_window": false, + "vocab_size": 152064 +} diff --git a/generation_config.json b/generation_config.json new file mode 100644 index 0000000..085c513 --- /dev/null +++ b/generation_config.json @@ -0,0 +1,10 @@ +{ + "do_sample": false, + "eos_token_id": [ + 151645, + 151643 + ], + "max_new_tokens": 2048, + "pad_token_id": 151643, + "transformers_version": "5.9.0" +} diff --git a/model.safetensors b/model.safetensors new file mode 100644 index 0000000..5c8390f --- /dev/null +++ b/model.safetensors @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:9c5a40fd6ca8efb87cc928341444db57c491cf35e515c610014ad2979b657c74 +size 15231272152 diff --git a/tokenizer.json b/tokenizer.json new file mode 100644 index 0000000..34510ff --- /dev/null +++ b/tokenizer.json @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:3fd169731d2cbde95e10bf356d66d5997fd885dd8dbb6fb4684da3f23b2585d8 +size 11421892 diff --git a/tokenizer_config.json b/tokenizer_config.json new file mode 100644 index 0000000..a26ad2b --- /dev/null +++ b/tokenizer_config.json @@ -0,0 +1,30 @@ +{ + "add_prefix_space": false, + "backend": "tokenizers", + "bos_token": null, + "clean_up_tokenization_spaces": false, + "eos_token": "<|endoftext|>", + "errors": "replace", + "extra_special_tokens": [ + "<|im_start|>", + "<|im_end|>", + "<|object_ref_start|>", + "<|object_ref_end|>", + "<|box_start|>", + "<|box_end|>", + "<|quad_start|>", + "<|quad_end|>", + "<|vision_start|>", + "<|vision_end|>", + "<|vision_pad|>", + "<|image_pad|>", + "<|video_pad|>" + ], + "is_local": true, + "local_files_only": true, + "model_max_length": 131072, + "pad_token": "<|endoftext|>", + "split_special_tokens": false, + "tokenizer_class": "Qwen2Tokenizer", + "unk_token": null +}