ChunMengDie-1.0-0.4B

关于作者

一个热爱 AI 的八年级学生。欢迎交流学习。

模型简介

ChunMengDie-1.0-0.4B 是一个基于 Transformer 架构的中文对话实验模型，参数量 4 亿（0.4B）。

当前版本状态：

• 早期研究阶段，输出质量不稳定，存在大量乱码和语义不连贯现象。
• 仅用于学术探索和实验验证，不建议用于任何生产环境。
• 后续版本将持续迭代优化。
• 由于其他分词器死活下不下来，使用内置的gpt2分词器进行训练（我自己尝试过训练自定义分词器，但是llama.cpp转换出现错误，尝试把分词器加进llama.cpp也不行，所以选择内置的分词器）
• 使用动态学习率

---

📂 仓库文件结构

本仓库同时提供 Hugging Face 原生格式 和 llama.cpp GGUF 量化格式 两种权重，请根据你的部署场景选择：

🤗 Hugging Face 格式（适用于 transformers 库）

文件名	说明
config.json	模型结构配置文件
generation_config.json	文本生成参数配置
model.safetensors	BF16 原始精度权重（约 0.8 GB）
tokenizer.json	分词器词表
tokenizer_config.json	分词器配置

🦙 llama.cpp GGUF 格式（适用于 llama.cpp 或 ollama 部署）

精度	文件名	文件大小	适用场景
BF16（原始）	chunmengdie_f16.gguf	501 MB	追求最佳效果，适合高端显卡
8bit 量化	chunmengdie_q8_0.gguf	275 MB	常规推理，质量损失极小（推荐）
4bit 量化	chunmengdie_q4_km.gguf	181 MB	低显存设备（如 4GB 显卡）或移动端部署

💡 选择建议：如果你是 Python 开发者，用 transformers 加载 HF 格式最方便；如果你在本地命令行或边缘设备部署，用 GGUF 格式配合 llama.cpp 更高效。

---

🚀 推理使用指南

方式一：Transformers（HF 格式）

安装依赖：

pip install transformers torch

加载模型并生成文本：

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("XingChina/ChunMengDie-1.0-0.4B")
tokenizer = AutoTokenizer.from_pretrained("XingChina/ChunMengDie-1.0-0.4B")

inputs = tokenizer("你好", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=128)
print(tokenizer.decode(outputs[0]))

方式二：llama.cpp（GGUF 格式）

下载对应的 .gguf 文件后，使用 llama.cpp 进行推理：

# BF16 原始版本
./main -m chunmengdie_f16.gguf -p "你好" -n 128

# 8bit 量化版本
./main -m chunmengdie_q8_0.gguf -p "你好" -n 128

# 4bit 量化版本（低显存首选）
./main -m chunmengdie_q4_km.gguf -p "你好" -n 128

使用 ollama 部署（可选）：

ollama create chunmengdie -f ./Modelfile
ollama run chunmengdie

---

🛡️ 训练环境与权重状态声明

本模型基于 NVIDIA RTX Pro 6000（96GB 显存） 专业卡训练，采用针对大显存优化的高吞吐配置（大 Batch Size + 长序列）。

发布权重说明：

1. 本仓库仅提供 纯推理权重（HF 格式 + GGUF 格式），不包含优化器（Optimizer）和调度器（Scheduler）状态。
2. 由于训练环境依赖 96GB 显存级的内存分配策略，在消费级显卡（如 24GB 4090）或标准 A100（80GB）上无法直接加载续训。（由于我手滑删了最终调度器，你拿什么卡都不能续训，即使能继续训也很容易爆显存并且发挥不出最大实力，中间调度器不能和最终模型混用，没有上传）
3. 如需进行二次微调，建议使用本仓库的 BF16 权重作为基座，自行挂载新的优化器开始训练。
4. 项目根目录train[1].py已针对20~24G显存显卡进行微调，实测在4090上全程不会爆显存，请以最新版train[1].py为准

我们鼓励二次创新，但尊重算力投入，请合理使用开源资源。

---

📚 训练数据声明

本模型在训练过程中参考/使用了以下公开数据集进行统计学习（点击可查看原始版权信息）：

数据集	许可证	使用方式	版权归属
BelleGroup/train_0.5M_CN	GPL-3.0	全量用于训练并通过统计学习从数据中提取对话模式	版权归 BelleGroup 所有
liumindmind/NekoQA-10K	Apache-2.0	全量用于训练并通过统计学习从数据中提取对话模式	版权归 MindsRiverPonder 所有
cyberlangke/Nana-catgirl-dataset-110k	MIT	全量用于训练并通过统计学习从数据中提取对话模式	版权归 cyberlangke 所有
XingChina/ChunMengDie-1.0-User-Data	CC BY 4.0	本数据集为原创角色对话数据，全量用于训练并通过统计学习从数据中提取对话模式	版权归 XingChina 所有

重要说明：

1. 本模型权重并非上述任何数据集的“衍生代码副本”或“复制品”，模型仅通过梯度下降从数据中提取统计模式。
2. 本模型的输出内容由 AI 随机生成，不代表对训练数据集的检索或分发。
3. 在极低概率下（<0.1%），模型可能因统计噪声而产生与训练数据某一段落高度相似的文本，该现象属于概率性巧合，建议使用者对输出进行抽样审核。
4. 验证loss与训练loss均已降到1以下，但不能理解语义

---

⚠️ 免责声明

本模型按“原样”（AS IS）提供，不附带任何形式明示或默示的担保。

使用者应自行承担使用本模型产生的一切后果，包括但不限于：

• 输出的准确性、安全性、合规性；
• 对第三方知识产权的潜在侵犯（若发生，属极小概率事件，我方不承担责任）。

建议在生产环境部署前配合敏感词过滤和输出重复检测模块。

---

🚫 使用限制

• 本模型目前质量不佳，不建议用于任何生产环境。
• 商业使用需自行评估输出内容的合规性。

---

📄 许可证

本模型权重采用 BSD 3-Clause License 发布。详见 LICENSE 文件。

---

📖 引用

如果你在研究中使用本模型，请引用：

@misc{ChunMengDie-1.0-0.4B,
  author = {XingChina},
  title = {ChunMengDie-1.0-0.4B: A Chinese Conversational AI Model},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/XingChina/ChunMengDie-1.0-0.4B}
}

---

感谢你对 ChunMengDie 项目的关注！ 🎉