Chattcm 7B SFT

🚀 ChatTCM-7B-SFT模型介绍

ChatTCM-7B-SFT是一个基于中医领域的文本生成模型，通过全参数量有监督微调，使模型在中医知识处理、临床诊断等方面具备了强大的能力，有助于中医典籍的理解与临床实践的应用。

📦 模型信息

🚀 快速开始

模型微调情况

在2张A800 - 80G上，基于SylvanL/ChatTCM-7B-Pretrain，在llamafactory框架上，使用SylvanL/Traditional-Chinese-Medicine-Dataset-SFT进行了1个epoch的全参数量有监督微调（full Supervised Fine - tuning）。

微调后模型能力

在不出现明显指令丢失或灾难性遗忘的前提下，模型具备以下能力：

1. 文言文翻译能力：具有将文言文/古文翻译为现代文的能力，以加强对于中医典籍的理解与使用。
2. 临床诊断与推方能力：具有向主流派别执业医生靠拢的临床诊断逻辑与推方能力，可以理解输入的患者情况并进行判断与分析。
3. 中医知识问答能力：具有良好的中医知识问答能力，可以针对中医领域的知识点进行全面且可靠的解答。
4. 中医术语NLP能力：加强模型面向中医术语的基础nlp能力，可以更好的赋能如中医命名实体识别、关系抽取、关联性分析、同义实体消岐、拼写检查与纠错等通用功能。

注意：模型并没有进行任何identify的植入。

💻 使用示例

可选Instruction

将输入的古文翻译成现代文。
请为输入的现代文找到其对应的古文原文与出处。
基于输入的患者医案记录，直接给出你的证型诊断，无需给出原因。
基于输入的患者医案记录，直接给出你的疾病诊断，无需给出原因。
基于输入的患者医案记录，直接给出你认为的方剂中药组成。
基于输入的患者医案记录，直接给出你认为的【治疗方案】{可多选}∈["中药", "成药", "方剂"]，和【诊断】{可多选}∈["证型", "治法", "西医诊断", "中医诊断"]：

第一个epoch训练数据

epoch 1: 
    "num_input_tokens_seen": 1649269888,
    "total_flos": 3298213988794368.0,
    "train_loss": 1.0691444667014194,
    "train_runtime": 587389.2072,
    "train_samples_per_second": 3.483,
    "train_steps_per_second": 0.016

第一个epoch训练损失图

训练命令示例

llamafactory-cli train \
    --stage sft \
    --do_train True \
    --model_name_or_path {SylvanL/ChatTCM-7B-Pretrain} \
    --preprocessing_num_workers 16 \
    --finetuning_type full \
    --template default \
    --flash_attn auto \
    --dataset_dir {dataset_dir} \
    --dataset SFT_medicalKnowledge_source1_548404,SFT_medicalKnowledge_source2_99334,SFT_medicalKnowledge_source3_556540,SFT_nlpDiseaseDiagnosed_61486,SFT_nlpSyndromeDiagnosed_48665,SFT_structGeneral_310860,SFT_structPrescription_92896,_SFT_traditionalTrans_1959542.json,{BAAI/COIG},{m-a-p/COIG-CQIA} \
    --cutoff_len 1024 \
    --learning_rate 5e-05 \
    --num_train_epochs 1.0 \
    --max_samples 1000000 \
    --per_device_train_batch_size 28 \
    --gradient_accumulation_steps 4 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 1 \
    --save_steps 1000 \
    --warmup_steps 0 \
    --optim adamw_torch \
    --packing False \
    --report_to none \
    --output_dir {output_dir} \
    --bf16 True \
    --plot_loss True \
    --ddp_timeout 180000000 \
    --include_num_input_tokens_seen True \
    --deepspeed cache/ds_z3_offload_config.json

后续计划

测试评估结果正在路上... 第二个epoch的模型也正在路上...