Petanque/flow-forge-mermaid-th

Flow Forge — Thai prompt → Mermaid (fine-tuned)

LoRA adapter สำหรับ Qwen2.5-1.5B-Instruct ที่ fine-tune ให้แปลง คำอธิบายภาษาไทย → โค้ด Mermaid โมเดลเลือก ชนิดไดอะแกรม ให้เหมาะกับเนื้อหา รองรับ 8 ชนิด: flowchart · sequenceDiagram · classDiagram · erDiagram · stateDiagram-v2 · mindmap · pie · gantt

เทรนด้วย QLoRA 4-bit (NF4) + bf16 บน RTX 2060 Mobile (6GB) — ส่วนหนึ่งของโปรเจกต์ Flow Forge (เว็บวาดไดอะแกรมโทนพาสเทล)

วิธีใช้

โมเดลนี้เป็น LoRA adapter — ต้องโหลดคู่กับ base Qwen/Qwen2.5-1.5B-Instruct

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import PeftModel

BASE = "Qwen/Qwen2.5-1.5B-Instruct"
ADAPTER = "Petanque/flow-forge-mermaid-th"

SYSTEM = (
    "คุณเป็นผู้ช่วยแปลงคำอธิบายภาษาไทยเป็นไดอะแกรม Mermaid "
    "เลือกชนิดไดอะแกรมให้เหมาะกับเนื้อหา "
    "(flowchart, sequenceDiagram, classDiagram, erDiagram, stateDiagram-v2, mindmap, pie, gantt) "
    "ตอบเป็นโค้ด Mermaid เท่านั้น "
    "ข้อความในไดอะแกรมให้ใช้ภาษาไทยเป็นหลัก "
    "ห้ามใช้ภาษาจีนหรือตัวอักษรต่างประเทศอื่น และห้ามแปลข้อความทั้งประโยคเป็นภาษาอังกฤษ "
    "(ใช้คำทับศัพท์อังกฤษเฉพาะศัพท์เทคนิคที่จำเป็น)"
)

bnb = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4",
                         bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True)
tok = AutoTokenizer.from_pretrained(BASE)
model = AutoModelForCausalLM.from_pretrained(BASE, quantization_config=bnb, device_map="auto",
                                             dtype=torch.bfloat16)
model = PeftModel.from_pretrained(model, ADAPTER).eval()

def generate(prompt):
    msgs = [{"role": "system", "content": SYSTEM}, {"role": "user", "content": prompt}]
    enc = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt",
                                  return_dict=True).to(model.device)
    out = model.generate(**enc, max_new_tokens=256, do_sample=False,
                         pad_token_id=tok.pad_token_id or tok.eos_token_id)
    return tok.decode(out[0][enc["input_ids"].shape[1]:], skip_special_tokens=True)

print(generate("ลูกค้าสั่งอาหาร ถ้ามีวัตถุดิบให้ทำ ถ้าไม่มีให้แนะนำเมนูอื่น"))
# → flowchart TD ... (โค้ด Mermaid ภาษาไทย)

สำคัญ: ต้องใช้ SYSTEM prompt ข้างบนแบบเป๊ะ ตอน inference — พฤติกรรม (การเลือกชนิด + บังคับไทย) ผูกกับ system prompt นี้ ถ้าเปลี่ยน คุณภาพจะตก

คำใบ้ชนิด: ถ้า prompt ไม่มีคำใบ้ → โมเดลตอบ flowchart เป็นค่าเริ่มต้น; ใส่คำใบ้เพื่อสลับชนิด เช่น "sequence การสื่อสาร…", "pie chart สัดส่วน…", "มายด์แมป…", "gantt แผนงาน…"

Serving (สัญญา API)

repo หลักมี serve.py ที่ห่อโมเดลเป็น HTTP + แปลง Mermaid เป็น JSON โครงสร้าง:

POST /generate {"prompt": "..."}  → {"mermaid": "...", "diagram": {...}}
POST /parse    {"mermaid": "..."} → {"diagram": {...}}

diagram เป็น JSON machine-readable (flowchart: nodes/edges, sequence: participants/messages, pie: slices, gantt: tasks, mindmap: tree, ฯลฯ) สำหรับระบบอื่นเอาไปต่อยอด

การเทรน

• Base: Qwen/Qwen2.5-1.5B-Instruct · Method: QLoRA (r=16, α=32, all attn+MLP proj)
• Data: 679 ตัวอย่าง / 113 scenarios (flowchart 427 + อีก 7 ชนิด ชนิดละ 36) เขียนมือ ตรวจ syntax ทุกตัว
• Recipe: 4-bit NF4, bf16, batch 1 × grad-accum 8, cosine LR 2e-4, early stopping บน eval_loss

ผล (eval 19 prompt ที่ไม่เคยเห็น): base 9/19 (47%) → fine-tuned 18/19 (95%) parse-rate

ข้อจำกัด

• ภาษาหลุด (tail): บาง prompt นอกโดเมน โดยเฉพาะชนิด sparse (sequence/mindmap) อาจมีอักษร จีน/ญี่ปุ่นหลุด 1–2 ตัวใน label — serve.py มี CJK guard (regenerate แล้วตัดทิ้ง) กันปลายทางให้
• แม่นสุดกับ flowchart (ข้อมูลเยอะสุด); ชนิดอื่นดีเมื่อ prompt มีคำใบ้ชัด
• classDiagram: ใช้ id ละติน + label ไทยใน [] (เช่น class Animal["สัตว์"])

License

Apache-2.0 (สอดคล้องกับ base model Qwen2.5-1.5B-Instruct)