typhoon-7b-thai-toxic-cpt

Continual Pre-Training (CPT) ของ typhoon-ai/typhoon-7b ด้วย QLoRA บน dataset ภาษาไทย tmu-nlp/thai_toxicity_tweet

หมายเหตุ: โมเดลนี้ไม่ใช่ toxicity classifier — เป็นการ adapt model ให้เรียนรู้สไตล์และรูปแบบภาษาของ Thai toxic tweet

---

Source Code: https://github.com/Datchthana1/typhoon-7b-thai-toxic-cpt

---

การใช้งาน

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

BASE_MODEL_ID = "typhoon-ai/typhoon-7b"
ADAPTER_REPO  = "Datchthana/typhoon-7b-thai-toxic-cpt"

tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_ID)
tokenizer.pad_token = tokenizer.eos_token

model = AutoModelForCausalLM.from_pretrained(
    BASE_MODEL_ID,
    torch_dtype=torch.bfloat16,
    device_map={"": 0}
)
model = PeftModel.from_pretrained(model, ADAPTER_REPO)
model.eval()

def generate(prompt, max_new_tokens=256, temperature=0.1, top_p=0.9):
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    input_len = inputs["input_ids"].shape[1]
    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=max_new_tokens,
            temperature=temperature,
            top_p=top_p,
            do_sample=True,
            pad_token_id=tokenizer.eos_token_id,
            repetition_penalty=1.1
        )
    return tokenizer.decode(outputs[0][input_len:], skip_special_tokens=True)

print(generate("รัฐบาลชุดนี้มัน..."))

Tips: prompt ที่ค้างกลางประโยคหรือมี ... ต่อท้ายจะได้ผลดีที่สุด

---

Training Details

Parameter	ค่า
Base Model	typhoon-ai/typhoon-7b
Method	QLoRA (4-bit NF4)
LoRA rank (r)	16
LoRA alpha	32
Target modules	q/k/v/o/gate/up/down proj
Epochs	3
Learning rate	5e-5
LR Scheduler	cosine
Warmup ratio	0.1
Effective batch size	16 (batch=1 × accum=16)
Max length	256 tokens
Optimizer	paged_adamw_8bit
Framework	transformers + peft + trl

---

Training Results

Epoch	Train Loss	Eval Loss	Token Accuracy
1	3.551	3.563	37.68%
2	3.210	3.321	40.67%
3	3.093	3.302	40.95%

Checkpoint ที่ใช้: checkpoint-57 (epoch 3 — eval loss ต่ำสุด)

---

ข้อจำกัด

• เป็น next token prediction เท่านั้น ไม่ใช่ chatbot และไม่ตอบคำถาม
• ประโยคสมบูรณ์จะได้ output ว่าง เพราะ model generate EOS ทันที
• dataset มีภาษาหยาบและเนื้อหา sensitive — ใช้ด้วยความระมัดระวัง