---
base_model_relation: quantized
license: Apache License 2.0
language:
- zh
- en
tags:
- medical
- qwen
- sft
- lora
- reinforcement-learning
base_model: zjydiary/Medical-Qwen3-14B-1218
pipeline_tag: text-generation
library_name: peft
datasets:
  - zjydiary/Medical
---

# Medical-Qwen3-14B-1218

## 模型简介 (Model Description)

**Medical-Qwen3-14B-1218** 是基于 [Qwen3-14B](https://modelscope.cn/Qwen/Qwen3-14B) 的医疗领域专用大语言模型。该模型通过两阶段微调（Pre-training + SFT）并采用加权合并策略（Weighted Merging）构建，旨在提升医疗问答的准确性、术语规范性及指令遵循能力。

本版本为 **2025-12-18** 发布的稳定版，融合了 GPT-OSS 风格的训练参数与 Qwen3 的架构优势，在医疗长文本理解与生成上表现出优异的鲁棒性。

## 训练细节 (Training Details)

### 训练流程
1.  **基座模型**: Qwen/Qwen3-14B (bf16)
2.  **阶段一：医疗增量预训练 (LoRA PT)**
    -   数据：混合医疗语料 (Medical Corpus)
    -   策略：Qwen3 No-Think 模板，全参 LoRA (Target All)
    -   目标：注入领域知识，适应医疗文风
3.  **阶段二：指令微调 (LoRA SFT)**
    -   数据：高质量医疗问答对 (Medical QA Pairs)
    -   参数：Rank 8, Alpha 16, Dropout 0.07
    -   策略：Cosine 调度, 强正则 (Weight Decay 0.03), 梯度累积优化
4.  **模型合并 (Weighted Merging)**
    -   方法：线性加权合并 (Linear Weighted Merging)
    -   权重：`SFT (0.7) + PT (0.3)`
    -   目的：平衡指令遵循能力（SFT）与领域知识广度（PT）

### 训练环境
-   **Framework**: LLaMA-Factory
-   **Hardware**: NVIDIA GPU Cluster (FlashAttention-2 Enabled)
-   **Quantization**: BNB 4-bit NF4 (Training), BFloat16 (Merge/Inference)

## 评估结果 (Evaluation Results)

评估时间：2025-12-18 12:24:46
评估集：Medical Validation Set (F5/F6)
解码参数：`temperature=0.6`, `top_p=0.8` (折中推荐配置)

| Metric | Score | Description |
| :--- | :--- | :--- |
| **BLEU-4** | **16.38** | 高分表明生成的短语与专家回答高度一致 |
| **ROUGE-1** | **20.42** | 优秀的词汇覆盖率，关键信息点召回准确 |
| **ROUGE-2** | **4.60** | 相比早期版本 (+0.1)，二元术语搭配更加精准 |
| **ROUGE-L** | **11.54** | 良好的长句结构相似度，逻辑连贯性强 |

*注：相比纯 SFT 版本，合并模型在保持 ROUGE 分数的同时，显著降低了过拟合风险，提升了对不同解码参数的鲁棒性。*

## 使用方法 (Usage)

### 推荐推理参数
为了获得最佳的医疗问答效果，建议使用以下参数：
-   `temperature`: 0.5 - 0.7 (平衡准确性与流畅度)
-   `top_p`: 0.8 - 0.9
-   `repetition_penalty`: 1.05 - 1.1
-   `max_new_tokens`: 2048 (支持长文回答)

### 代码示例 (Transformers)

```python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_path = "/workspace/model/zjydiary/Medical-Qwen3-14B-1218"

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
)

prompt = "患者，男，45岁，主诉持续性上腹痛3天，伴恶心呕吐。请给出初步诊断建议及检查方案。"
messages = [
    {"role": "system", "content": "你是一名专业的医疗助手，请用严谨、客观的语气回答。"},
    {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **inputs,
    max_new_tokens=2048,
    temperature=0.6,
    top_p=0.9
)

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)
```

## 声明 (Disclaimer)

本模型仅供学术研究与技术验证使用。生成的医疗建议仅供参考，不能替代执业医师的诊断。在实际临床应用前，请务必进行严格的专业评估与人工审核。