---
license: Apache License 2.0
language:
  - zh
tasks:
  - text-generation
frameworks: PyTorch
base_model:
  - Qwen/Qwen2.5-0.5B-Instruct
base_model_relation: finetune
widgets:
  - version: 1
    task: text-generation
    inputs:
      - type: text
        displayType: TextArea
        validator:
          max_words: 128
    output:
      displayType: Text
      displayValueMapping: text
    examples:
      - name: 1
        title: 示例1
        inputs:
          - name: text
            data: 光的速度是多少?
datasets:
  - wuyonghui0810/General-Knowledge
tags:
  - 文本生成
  - 科技探索
  - ' 永辉'
---
# Qwen2.5-0.5B-Instruct 微调模型

## 模型概述

这是一个基于 Qwen2.5-0.5B-Instruct 模型的微调版本，使用 LoRA (低秩适应) 训练方法在特定领域数据上进行了定制化训练，涵盖数学、英语、科学、化学、物理等1000条自定义数据进行训练，以增强模型在特定任务上的性能。

## 模型详情

- **基础模型**: Qwen/Qwen2.5-0.5B-Instruct
- **模型类型**: qwen2_5
- **训练方法**: LoRA 微调
- **模板**: qwen2_5
- **模型大小**: 0.5B 参数
- **检查点**: checkpoint-186-merged
- **训练日期**: 2025-08-05

## 训练配置

- **最大序列长度**: 1024 个 token
- **学习率**: 1e-4
- **梯度累积步数**: 16
- **训练轮数**: 3
- **最终训练损失**: 0.0802
- **最终评估损失**: 0.00013508

## 调用方法

### 快速开始
这里提供了一个使用 wuyonghui0810/text-generation模型的代码片段，展示了如何加载分词器和模型以及如何生成内容。

```python
from modelscope import AutoModelForCausalLM, AutoTokenizer
model_name = "wuyonghui0810/text-generation"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "光的速度是多少?"
messages = [
    {"role": "system", "content": "You are Vkey, created by yonghui, You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)
```
### 训练前
光的传播速度是多少：
- 在标准条件下，光的传播速度约为 299792458 米/秒。这个速度是恒定不变的，无论光源的位置、距离多远，都保持不变。这与物理定律和实验数据一致，证明了光速是宇宙中的基本物理常数。

### 训练后
- <<< 光的传播速度是多少
- <think>
- 用户问的是关于物理的问题：'光的传播速度是多少'。我需要根据物理学原理给出准确的答案。对于这个问题，正确的回答是：光在真空中的传播速度约为299,792,458米/秒。。
- </think>
- <answer>
- 光在真空中的传播速度约为299,792,458米/秒。
- </answer>
- <<< 光的速度
- <think>
- 用户问的是关于物理的问题：'光的速度'。我需要根据物理学原理给出准确的答案。对于这个问题，正确的回答是：光在真空中的速度约为299,792,458米/秒。。
- </think>
- <answer>
- 光在真空中的速度约为299,792,458米/秒。
- </answer>

## 微调方法
### 使用 Swift 进行训练认知微调

```bash
CUDA_VISIBLE_DEVICES=0 \
swift sft \
    --torch_dtype 'float16' \
    --model 'Qwen/Qwen2.5-0.5B-Instruct' \
    --model_type 'qwen2_5' \
    --template 'qwen2_5' \
    --system 'You are Vkey, created by yonghui. You are a helpful assistant.' \
    --dataset '/mnt/workspace/myipynb/transformers/datasets/training_data.jsonl' \
    --max_length '1024' \
    --init_weights 'True' \
    --learning_rate '1e-4' \
    --gradient_accumulation_steps '16' \
    --eval_steps '500' \
    --truncation_strategy 'delete' \
    --report_to 'tensorboard' \
    --add_version False \
    --output_dir /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718 \
    --logging_dir /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718/runs \
    --ignore_args_error True \
    --device_map 'cpu' \
    > /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718/runs/run.log 2>&1 &
```

### 使用 swift 框架进行推理

```bash
CUDA_VISIBLE_DEVICES=0 \
swift infer \
    --model /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718/checkpoint-186-merged \
    --merge_lora true \
    --infer_backend vllm \
    --temperature 0 \
    --max_new_tokens 2048
```

### 使用 swift 框架进行导出
--adapters 参数：用于导出适配器权重（如 LoRA），需要配合基础模型使用
--model 参数：用于导出完整模型，可以直接使用
由于 checkpoint-186-merged 是一个完整的合并模型（包含基础模型和适配器权重），所以应该使用 --model 参数。

方案一（使用的这个）：
```bash
CUDA_VISIBLE_DEVICES=0 swift export \
--model /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718/checkpoint-186-merged \
--push_to_hub true \
--hub_model_id 'wuyonghui0810/text-generation' \
--hub_token 'ms-c9f5013e-8343-4d26-a53b-4d5a75f8a973' \
--use_hf false
```

方案二：
```bash
CUDA_VISIBLE_DEVICES=0 swift export \
--adapters /mnt/workspace/myipynb/transformers/ms-swift/output/Qwen2.5-0.5B-Instruct/v0-20250805-170718/checkpoint-186 \
--push_to_hub true \
--hub_model_id 'wuyonghui0810/text-generation' \
--hub_token 'ms-c9f5013e-8343-4d26-a53b-4d5a75f8a973' \
--use_hf false
```

### 关键推理参数

- `--model`: 用于导出完整模型，可以直接使用（或者--adapters：训练好的适配器/LoRA 权重路径）
- `--merge_lora true`: 将 LoRA 权重与基础模型合并
- `--infer_backend vllm`: 使用 vLLM 进行推理加速
- `--temperature 0`: 确定性输出（贪婪解码）
- `--max_new_tokens 2048`: 最大生成 token 数量

## 性能表现

- **评估样本每秒处理数**: 18.64
- **训练样本每秒处理数**: 5.045
- **内存使用**: 模型权重约 0.9276 GB
- **推理速度**: 使用 vLLM 和 CUDA 图形优化

## 系统要求

- **GPU**: 支持 CUDA 的 GPU（推荐）
- **显存**: 至少 4-8GB 以获得最佳性能
- **软件环境**: 
  - Python 3.11+
  - Swift 框架
  - vLLM 库
  - CUDA 工具包

## 模型能力
此微调模型设计用于：

- 回答特定领域问题
- 准确遵循指令
- 提供一致且确定性的响应（temperature=0时）
- 处理长上下文输入（最多8192个token）

## 局限性
- 当 temperature=0 时响应是确定性的
- 性能取决于微调数据的质量
- 在训练领域外可能泛化能力有限

*如需技术支持或有关此模型的问题，请参考模型目录中包含的训练日志和配置文件。*