File size: 2,385 Bytes
74cf47a 2a78548 74cf47a 2a78548 74cf47a |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 |
---
license: mit
language:
- zh
tags:
- qwen
- qwen3
- lora
- qlora
- mining-engineering
- sft
- safety-engineering
- chain-of-thought
- cot
pipeline_tag: text-generation
---
# Mining-Engineering-Expert-LoRA for Qwen3-14B
这是一个基于 **[Qwen3-14B](https://huggingface.co/Qwen/Qwen3-14B)** 模型，使用的矿建工程与安全事故分析领域数据集进行监督微调（SFT）的**LoRA适配器**。
该项目是**合肥工业大学**大一学生的大学生创新创业训练计划（大创）项目成果之一。
本微调的核心目标是验证我们构建的数据集的有效性，并提供一个**概念验证（Proof-of-Concept）**的微调模型。
**重要提示：** 受限于算力条件，本LoRA适配器的训练可能未达到更好的效果。我们更鼓励社区用户利用我们精心构建的、开放的[**思维链增强训练集 (CoT-Enhanced SFT Dataset)**](https://huggingface.co/datasets/acnul/Mining-Engineering-SFT-CoT)来进行自己的、更深入的微调工作。**而不是直接采用本适配器进行工作，本适配器主要目的用于验证**
## 📈 性能提升验证 (Performance Validation)
为了量化微调带来的效果，我们在一个包含301个问题的专业评估集 [**Mining-Engineering-Eval**](https://huggingface.co/datasets/acnul/Mining-Engineering-Eval) 上进行了测试。我们采用**余弦相似度**作为评估标准，当模型回答与标准答案的相似度得分**高于90%**时，记为“通过”。
评估结果如图所示。
* **基座模型 (Qwen3-14B)**: 通过率 **20.93%**
* **微调后模型 (Qwen3-14B-mining-finetune)**: 通过率 **23.26%**
使用我们的数据集进行微调，模型的通过率相对基座模型提升了 11.11%。
## 📊 训练细节 (Training Details)
* **硬件**: 1x NVIDIA A100 40G
* **LoRA配置**:
* `lora_r`: 64
* `lora_alpha`: 128
* `lora_dropout`: 0.05
* `target_modules`: `["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]`
* **训练超参数**:
* `learning_rate`: 2.0e-5
* `num_train_epochs`: 2
* `per_device_train_batch_size`: 1
* `gradient_accumulation_steps`: 8
* `lr_scheduler_type`: "cosine"
* `optimizer`: "paged_adamw_8bit" |