README.md

metadata

license: mit
datasets:
  - a686d380/h-corpus-2023
language:
  - zh
base_model:
  - Qwen/Qwen2.5-7B
library_name: transformers

使用了Megatron CPT训练的轻小说大模型

使用了Pai Megatron + 32K Sequence Length + FP8 + H100 集群训练

这个模型是CPT版本。使用了32K为目标切分的小说，所以可以输入非常长的内容，不过int8量化的话我不好说 （24G卡BF16 32K content windows, 杂鱼！）

关于数据

1. 轻小说数据在7G左右，这个版本是CPT版本，没有SFT，请不要期待指令跟随。
2. Roleplay数据非常容易导致过拟合，增加猫箱的RP数据会导致小说的续写长度变短，并且没有发现anime girl效果变好。（几家app用户大多是同人女的关系？）
3. h-corpus质量参差不齐，只采样了一些，用了与轻小说数据量相同的7G左右的文本。（这个数据集与轻小说没有完全太重合，考虑pixiv子集）
4. SFT的数据没有准备好，涉及到summary文章再写作，还有给定章节续写，对话的RP依旧非常头痛。
5. h-corpus的summary暂时没有做，summary用的模型一时没有太好的选择。

轻小说数据来源包括 https://github.com/ixinzhi/lightnovel-2023 清洗脚本晚些可能公开

7B模型整体效果感觉马马虎虎，不过由于整体数据没有太被污染，效果明显。

已经训练好32B的模型（TP=8 FP8），32B版本逻辑性明显好。（搬到huggingface比较久）

如果模型载入有问题的话，请用qwen2.5原本的tokenizer、vocab等等覆盖一下，我只有权重的megatron转换出来的。

模型的翻译腔是预期效果？