117 lines
3.8 KiB
Markdown
117 lines
3.8 KiB
Markdown
---
|
||
frameworks: PyTorch
|
||
tasks:
|
||
- text-generation
|
||
license: Apache License 2.0
|
||
base_model:
|
||
- zxcAsD01/AL-0
|
||
datasets:
|
||
- zxcAsD01/MiMo-V2-Flash_distill
|
||
language:
|
||
- zh
|
||
---
|
||
***
|
||
|
||
# AL-0 (Distilled on Qwen3)
|
||
|
||
<div align="center">
|
||
|
||
|
||
[](LICENSE)
|
||
|
||
</div>
|
||
|
||
## 📌 模型介绍 (Model Introduction)
|
||
|
||
**AL-0** 是一个由 **zxcAsD01** 创建的学习性质的小型语言模型。该模型是基于 **Qwen3-0.6B** 架构进行蒸馏（Distillation）并结合常规训练集进行微调（Fine-tuning）得到的。
|
||
|
||
尽管体积小巧，AL-0 旨在通过蒸馏（Distillation）技术，在保持高效推理的同时，尽可能继承大模型的逻辑推理与对话能力。
|
||
|
||
**AL-0** 的前置模型为同为 **zxcAsD01** 创建的 **AL-0-Base** ， **AL-0-Base** 是一个纯基座模型，经过极少的训练即可从接近随机输出收敛到输出连贯文本。 **AL-0-SFT** 即为其 **Base** 模型经少量额外预训练以及较多的指令微调得到的。
|
||
|
||
### 模型架构参数 (Architecture)
|
||
**AL-0** 的关键参数如下：
|
||
* **Base Model:** Qwen3
|
||
* **Hidden Size:** 768
|
||
* **Num Hidden Layers:** 12
|
||
* **Num Attention Heads:** 12
|
||
* **Vocabulary Size:** 151,936
|
||
* **Context Length:** 40,96 tokens
|
||
|
||
## 🛠️ 使用说明 (Usage)
|
||
|
||
### 1. 环境依赖
|
||
请确保安装了最新的 `transformers` 库：
|
||
```bash
|
||
pip install transformers>=4.57.1
|
||
```
|
||
|
||
### 2. 加载模型与推理
|
||
您可以使用以下 Python 代码加载并使用 AL-0 模型：
|
||
|
||
```python
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
|
||
model_path = "your-username/AL-0"
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path)
|
||
model = AutoModelForCausalLM.from_pretrained(
|
||
model_path,
|
||
torch_dtype="auto",
|
||
device_map="auto"
|
||
)
|
||
|
||
messages = [
|
||
{"role": "system", "content": "You are AL-0, a helpful assistant."},
|
||
{"role": "user", "content": "你好，请介绍一下你自己。"}
|
||
]
|
||
|
||
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
|
||
inputs = tokenizer(text, return_tensors="pt").to(model.device)
|
||
|
||
outputs = model.generate(
|
||
**inputs,
|
||
max_new_tokens=512,
|
||
do_sample=True,
|
||
temperature=0.7,
|
||
top_p=0.8
|
||
)
|
||
|
||
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)
|
||
print(response)
|
||
```
|
||
|
||
### 3. 推理参数建议
|
||
根据 Qwen3 的特性，建议如下参数：
|
||
* **非思考模式 (Non-Thinking Mode):** `temperature=0.7`, `top_p=0.8`, `top_k=20`。
|
||
* **思考模式 (Thinking Mode):** 如果模型支持，可使用 `temperature=0.6`, `top_p=0.95`, `top_k=20`。
|
||
|
||
## 🌐 模型来源 (Model Source)
|
||
|
||
AL-0 模型是基于 **Qwen3** 系列模型进行蒸馏和微调得到的。
|
||
|
||
**硬件**
|
||
Intel Core Ultra9-285H 32G
|
||
RTX5070laptop 8G
|
||
|
||
* **基础模型 (Base Model):** Qwen3-0.6B
|
||
* **来源团队:** Qwen Team (阿里云)
|
||
* **原始模型特点:** Qwen3 是阿里团队的开源大语言模型系列，支持思考模式与非思考模式，预训练数据覆盖 119 种语言，总计约 36 万亿 Token。
|
||
|
||
本模型的开发得益于 Qwen3 强大的基础能力以及“强到弱蒸馏”技术，使得小型模型也能具备出色的性能。
|
||
|
||
## 📄 许可证 (License)
|
||
|
||
本模型基于 **Apache 2.0 许可证** 开源发布。
|
||
|
||
Qwen3 系列模型本身也遵循 Apache 2.0 许可证。Apache 2.0 是一个商业友好的开源许可证，允许用户自由使用、修改和分发模型，包括用于商业目的和盈利，前提是保留版权声明和免责声明。
|
||
|
||
详细条款请参见 [LICENSE](LICENSE) 文件。
|
||
|
||
## 🙏 致谢 (Acknowledgements)
|
||
|
||
* 感谢 **Qwen Team** 开源了强大的 Qwen3 模型系列。
|
||
* 感谢开源社区提供的训练数据集与工具支持。
|
||
|
||
***
|