---
license: cc
datasets:
- adam89/TinyStoriesChinese
- fzmnm/tiny-books-zh
language:
- zh
library_name: transformers
pipeline_tag: text-generation
widget:
- text: 从前有个小姑娘从来不洗脸
- text: 从前有个胖鹦鹉，胖得飞不动。
---
### Model Card: tinybooks-110M

![alt text](README.files/image.png)

把[TinyStoriesChinese-110M](https://huggingface.co/fzmnm/TinyStoriesChinese-110M)基座模型在[tiny-books-zh](https://huggingface.co/datasets/fzmnm/tiny-books-zh/commit/33fca08aa289dbb66a14c2c5ade37476f7cac8c8)数据集上做的第一次试验。微调了1000步。简单地替换数据集使用checkpoint中断前的配置进行的继续训练。
不出所望地成功获得了一个人工智障。

### 思考

1. 数据集太小，多样化程度太窄。其实100M级别的模型已经可以拥有多模态的智能了([mobileLLM](https://arxiv.org/abs/2402.14905))。我可以考虑加入一些理科的元素，尤其是十万个为什么之类的常识性说明到培训数据里，不要只局限于文科名著。之前我是考虑到模型的大小故意避免了任何数学和理科的训练资料。

2. 要求chatgpt强行把一些过于复杂的文本、如资治通鉴、罪与罚、官场现形记给改编成"适合幼儿园小朋友阅读的故事"过于强人所难，会导致chatgpt会丢三落四、语焉不详、胡言乱语。导致数据集的逻辑一致性和comprehensive（前面文本有足够信息帮助模型推断下一句话）性不足。我的解决方案是使用机器对生成的训练数据进行粗筛。

3. 不过模型确实学到了关于名著人物的知识。而且说话的方式也能让人很清晰地辨别出来是模仿了哪一篇名著。

4. 其实early stopping的几个checkpoint，比如仅进行100步微调的模型，性能更好，仍然保有了tinystories数据集中所训练得到的常识。事实上100步已经在整个数据集上训练了约10个epoch，所以1000步的模型产生过拟合和遗忘的现象是完全可以预期的。事实上我惊讶于模型并没有发生灾难性遗忘，变成彻底的胡言乱语。


### 围观吃瓜

```bash
./run ./out/model.bin -z ./data/tok5000.bin -t 0.2 -n 0 -i "从前有个胖鹦鹉，胖得飞不动。"
从前有个胖鹦鹉，胖得飞不动。胖鹦鹉说：“我飞不动了，因为我的脚被绑住了。我想
飞到大城市，去找人帮忙。”
胖鹦鹉飞到了一个叫大家的地方，那里有一位好心的叔叔，叫刘叔叔。胖鹦鹉说：“叔
叔，我飞到大城市去，您能帮帮我吗？”
刘叔叔是个好心人，他说：“好啊，我会帮你。”于是，胖鹦鹉和刘叔叔一起去了大城市。
他们到了大城市，刘叔叔用他的羽毛绑在胖鹦鹉的脚上，帮胖鹦鹉解开了绑着的绳子。胖鹦鹉高兴地说：“谢谢你，刘叔叔！”
然后，他们一起去了大城市。在那里，他们帮助了刘叔叔的很多情上的小朋友。大家都很喜欢胖鹦鹉，因为胖鹦鹉会做很多好事。
有一天，胖鹦鹉飞到了一个叫扬州的地方。那里有一条大街，胖鹦鹉看见了很多人在忙碌。有一个人在打扫院子，他一边打一边喊：“快来帮忙！快来！”
这时候，有一个人听到了胖鹦鹉的叫声。他走过来，看见胖鹦鹉在打绳子，就问：“你
为什么要把绳子绑在这里？”
胖鹦鹉说：“我想有一天能飞到大城市去。”
这个小故事告诉我们，如果有人需要帮助，我们应该尽力去帮助他。这样，我们的生活就会变得更好了。
小朋友们，你们要记住，帮助别人是很重要的哦！
```