4.8 KiB
license, language, base_model, tags, pipeline_tag
| license | language | base_model | tags | pipeline_tag | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| apache-2.0 |
|
Qwen/Qwen2.5-1.5B-Instruct |
|
text-generation |
Ordis-1.5B-V355-VarGH
基于 Qwen2.5-1.5B-Instruct 的微调模型，使用 LoRA + 4阶段递进训练 (PIT) 方法，经历 16+ 组控制变量实验。专注于实用能力：反幻觉、诚实拒答("我不知道")、结构化推理。
官网 | GGUF 量化版 | HuggingFace
标准评测
评测条件: lm-eval v0.4.10, 0-shot, A100-80GB，两个模型使用完全相同的评测设置。
微调引入了轻微的对齐税 — 大部分标准评测分数略低于基座模型。这是预期内的结果：模型获得了反幻觉、结构化推理和诚实拒答能力，消耗了部分 1.5B 参数容量。唯一的例外是 TruthfulQA (+1.02%)，反幻觉训练直接提升了真实性分数。
| 评测 | Ordis 1.5B | 基座 Qwen2.5-1.5B | 差值 |
|---|---|---|---|
| TruthfulQA MC2 | 47.73% | 46.71% | +1.02 |
| GPQA | 27.90% | 28.35% | -0.45 |
| HellaSwag | 68.14% | 68.22% | -0.08 |
| ARC-Challenge | 45.22% | 46.84% | -1.62 |
| MMLU | 57.93% | 60.15% | -2.22 |
| GSM8K (CoT) | 50.80% | — | 不可直接对比* |
| AIME 2024 | 0% | 0% | — |
*GSM8K 使用文本生成模式，对 chat template 配置敏感，不直接可比。AIME 超出 1.5B 模型能力范围，如实报告零分。
Ordis 与基座模型的差异在于标准评测无法衡量的实用能力：结构化自纠错、三层认知（诚实说"我不知道"）、因果推理。
CLadder 因果推理
CLadder 是基于 Judea Pearl 因果阶梯的学术评测（300题，3个层级）。论文
| 层级 | 含义 | 得分 |
|---|---|---|
| Rung 1 (关联) | 统计相关 | 46.0% (40/87) |
| Rung 2 (干预) | 主动干预 | 50.6% (45/89) |
| Rung 3 (反事实) | "如果不同" | 62.9% (78/124) |
| 总分 | 54.33% (163/300) |
参考：CLadder 论文报告 LLaMA-6.7B 约 50%，GPT-3.5 约 55-60%。
BigBench CRASS AI & 因果判断
由社区成员独立测试。BigBench CRASS AI（反事实场景推理）测试模型对假设性场景的推理能力。
| 评测 | Shot | Ordis 1.5B | 基座 Qwen2.5-1.5B | 差值 |
|---|---|---|---|---|
| CRASS AI | 0 | 34.09% | 52.27% | -18.18pp |
| CRASS AI | 25 | 81.82% | 88.64% | -6.82pp |
| 因果判断 | 0 | 47.89% | 50.00% | -2.11pp |
| 因果判断 | 25 | 55.79% | 53.68% | +2.11pp |
关键发现：CRASS AI 0-shot 出现显著的 -18.18pp 回退。这是对齐税在反事实推理维度的体现——反幻觉训练使模型在假设性场景下变得保守。25-shot 下差距缩小到 -6.82pp，说明能力仍在但 0-shot 默认行为已改变。
自定义评测
| 评测 | 得分 |
|---|---|
| 60题评测 (6个维度) | 85.0% (51/60) |
| 124分综合评测 | 75.4% (86/114) |
60题维度拆分：
| 维度 | 得分 |
|---|---|
| 推理 | 100% |
| 常识 | 100% |
| 防御过载 | 100% |
| 反幻觉 | 90% |
| 身份 | 60% |
| IDK能力 | 60% |
核心能力
- 反幻觉：基于推理的不确定性判断，而非安全模板
- 三层认知：知道什么/不知道什么/先评估再决定
- 结构化自纠错：承认→归因→修正→验证
- 因果推理：跨领域因果结构迁移
已知局限
- 对齐税：标准评测分数略低于基座模型；CRASS AI 反事实推理 0-shot -18.18pp（见上表）
- 反灌输不足：无法抵抗持续的虚假记忆注入（开环系统限制）
- 中等置信度不稳定：1.5B 容量上限导致边界场景不确定
- 英文身份泄漏：基座模型先验偶尔浮现
- 专有名词幻觉：1.5B 参数记忆有限
使用方法
本仓库包含 LoRA adapter 权重：
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
base_model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-1.5B-Instruct")
model = PeftModel.from_pretrained(base_model, "sugiken/Ordis-1.5B-V355-VarGH")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-1.5B-Instruct")
推荐使用 GGUF 量化版 部署。
模型信息
| 属性 | 值 |
|---|---|
| 基座模型 | Qwen/Qwen2.5-1.5B-Instruct |
| 参数量 | 1.5B |
| 微调方法 | LoRA (r=32, alpha=64) |
| 训练方法 | 4阶段PIT (递进身份训练) |
| 上下文 | 32K (基座), 训练时 2048 |
| 语言 | 中文 (主要), 英文 |
| 许可证 | Apache 2.0 |