shuiyu1123
231af72de9
- 清理仓库: 删除所有废弃的generate_*脚本和旧版数据文件 - 目录重组: - data/ → 训练数据 - scripts/ → 数据生成脚本 - templates/ → Web UI - 重命名: - train_v2.py → train.py - vocab_v3.json → vocab.json (BPE, 6.8k tokens) - 更新 train.py 指向新词表路径 - 重写 README.md 完整文档 - 更新 .gitignore
95 lines
2.8 KiB
Markdown
95 lines
2.8 KiB
Markdown
# 小狸 AI — Xiaoli Chat
|
||
|
||
> 一个从零训练的 **13M 参数闲聊心理治疗模型**。纯 CPU 实时推理，无需 GPU。
|
||
|
||
小狸是一个 8 岁小女孩的角色化对话 AI，基于 Causal Decoder-Only Transformer 架构，支持日常闲聊、情感陪伴、角色扮演等场景。
|
||
|
||
## 快速开始
|
||
|
||
```bash
|
||
# 1. 推理（对话）
|
||
python3 -c "
|
||
import json, torch
|
||
from llm_chat_improved import LLMModel, LLMChat, tokenizer_instance
|
||
|
||
vocab = json.load(open('vocab.json'))
|
||
ckpt = torch.load('llm_model_v2_resume_epoch_7.pth', map_location='cpu')
|
||
cfg = ckpt['model_config']
|
||
|
||
model = LLMModel(vocab_size=len(vocab), d_model=cfg['d_model'], n_heads=cfg['n_heads'],
|
||
n_layers=cfg['n_layers'], d_ff=cfg['d_ff'], max_len=cfg['max_len'], dropout=0.1)
|
||
model.load_state_dict(ckpt['model_state_dict'])
|
||
model.eval()
|
||
|
||
chat = LLMChat(model, vocab, device='cpu')
|
||
tokenizer_instance.char_to_id = vocab.copy()
|
||
tokenizer_instance.id_to_char = {v:k for k,v in vocab.items()}
|
||
|
||
print(chat.generate_response('小狸你好呀'))
|
||
"
|
||
|
||
# 2. 训练
|
||
python3 train.py
|
||
```
|
||
|
||
## 模型架构
|
||
|
||
| 参数 | 值 |
|
||
|------|-----|
|
||
| 架构 | Causal Decoder-Only Transformer |
|
||
| 参数量 | 13M |
|
||
| 隐藏层 (d_model) | 320 |
|
||
| 层数 (n_layers) | 6 |
|
||
| 注意力头 (n_heads) | 8 |
|
||
| FFN 宽度 (d_ff) | 1280 |
|
||
| 最大序列长度 | 512 |
|
||
| 位置编码 | RoPE (Rotary Position Embedding) |
|
||
| 激活函数 | SwiGLU |
|
||
| 归一化 | RMSNorm |
|
||
| 词表 | BPE, 6,812 tokens |
|
||
|
||
## 项目结构
|
||
|
||
```
|
||
xiaoli-llm-chat/
|
||
├── llm_chat_improved.py # 模型架构 + 推理代码（核心）
|
||
├── train.py # 训练脚本
|
||
├── vocab.json # BPE 词表（6.8k tokens）
|
||
├── web_server.py # Web 聊天服务
|
||
├── chat_server.py # Flask 聊天服务
|
||
├── templates/
|
||
│ └── chat.html # 聊天网页 UI
|
||
├── data/
|
||
│ ├── xiaoli_data_v1_part_1of2.json # 训练数据（33万条）
|
||
│ └── xiaoli_data_v1_part_2of2.json # 训练数据（33万条）
|
||
└── scripts/ # 数据生成脚本
|
||
├── generate_fresh_qa.py
|
||
├── generate_multiturn.py
|
||
├── regenerate_all_high_temp.py
|
||
├── daily_data_gen.py
|
||
└── api_correction.py
|
||
```
|
||
|
||
## 训练数据
|
||
|
||
- **总计 666,379 条** 去重 QA 对
|
||
- 来源：Astron 30B API 蒸馏生成（高温采样 + 多轮对话 + 新问答）
|
||
- 场景覆盖：日常闲聊、情感陪伴、儿童对话、角色扮演
|
||
- 纯人工蒸馏，零网页爬取，数据安全可控
|
||
|
||
## 模型权重
|
||
|
||
当前发布版本：**Epoch 7**（v0.1）
|
||
|
||
模型权重文件 `llm_model_v2_resume_epoch_7.pth`（154MB）因超出 Gitee 单文件限制，需单独下载。
|
||
|
||
## 系统要求
|
||
|
||
- Python 3.8+
|
||
- PyTorch（CPU 即可，无需 GPU）
|
||
- 内存：~200MB
|
||
- 磁盘：~500MB（含训练数据和权重）
|
||
|
||
## 许可
|
||
|
||
MIT License |