llm2025 advanced exp002 stage2 s2_db model

本モデルは、アドバンスドコンペ（ALFWorld / DBBench）において、以下を両立することを目的に学習しました。

ALFWorld: THOUGHT + ACTION の2行フォーマット安定化と合法行動率の維持
DBBench: Action: Operation / Action: Answer 形式の安定化と SQL/回答の一致率向上

学習方針

1. Stage1

ALF側の出力フォーマットと合法行動を安定化させるため、ALF寄りのフェーズを中心に学習。その後DB側の学習。

Stage1 フェーズ別設定（概要）

phaseA
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.60（max_steps=1000）
- 学習率: 1e-4
- LoRA パラメータ: r=64, alpha=128
phaseB
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.20
- 学習率: 5e-5
- LoRA パラメータ: r=64, alpha=128
phaseC_1_alf
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.12
- 学習率: 5e-5
- LoRA パラメータ: r=64, alpha=128
phaseC_2_db
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.02
- 学習率: 5e-5
- LoRA パラメータ: r=64, alpha=128
phaseC_3_alf
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.12
- 学習率: 5e-5
- LoRA パラメータ: r=64, alpha=128
phaseD
- 手法: LoRA（bfloat16）
- 最大シーケンス長: 2048
- エポック数: 0.08
- 学習率: 2e-5
- LoRA パラメータ: r=64, alpha=128

2. Step2データ拡張

openai/gpt-oss-120bを使ったオフライン蒸留を実施。

3. Stage2

Step2データ拡張で作成したデータをもとに学習。

Stage2設定（概要）

手法: LoRA（bfloat16）
最大シーケンス長: 4096
エポック数: 0.40
学習率: 2e-5
LoRA パラメータ: r=64, alpha=128

使い方

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "ichi234/exp002_stage2_s2_db_merged"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

ソースおよびライセンス（重要）

ベースモデル: Qwen/Qwen2.5-7B-Instruct
学習データ:Creative Commons Attribution (CC-BY-4.0)。本データセットは、CC-BY-4.0 ライセンスの条項に基づき、使用および再配布が可能です。
蒸留 teacher: openai/gpt-oss-120b
遵守事項: 利用者は、データセットの帰属表記（クレジット）に関する要件、およびベースモデルの元の利用規約の両方を遵守する必要があります。

Downloads last month: 4

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for ichi234/exp002_stage2_s2_db_merged

Base model

Qwen/Qwen2.5-7B

Finetuned

Qwen/Qwen2.5-7B-Instruct

Finetuned

(3207)

this model