Qwythos-9B-WeChat (v2)
基于 empero-ai/Qwythos-9B-Claude-Mythos-5-1M（Qwen3.5-9B 架构）LoRA 微调后合并的模型，专用于生成微信公众号科技 / AI / 新闻类文章（Markdown 格式输出）。
v2 相对 v1 的改进
- 清洗规则增强：清除来源声明、加星标、点赞引导、往期推荐、编辑署名等 boilerplate
- 粗体独立行还原为
##小标题，训练数据结构化排版占比从 5% → 55% - 训练超参：2 epochs、lr 1e-4（v1 为 3 epochs / 2e-4，减轻过拟合与复读）
- 推理建议：
repetition_penalty=1.1，vLLM 加--reasoning-parser qwen3
训练细节
- 训练数据：2398 篇二次清洗后的公众号科技类文章
- 方法：LoRA（r=16, alpha=16, dropout=0.05）
- 训练参数：2 epochs，序列长度 4096，有效 batch size 8，lr 1e-4（cosine），BF16
- 硬件：单卡 RTX 5090D 32GB（Windows 原生），约 5.2 小时
- 收敛：train_loss ≈ 2.26
使用
import torch
from transformers import AutoModelForImageTextToText, AutoTokenizer
model_id = "junshengma/Qwythos-9B-WeChat" # 或本地 D:/models/Qwythos-9B-WeChat-v2
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
model_id, dtype=torch.bfloat16, device_map="auto"
)
msgs = [{"role": "user", "content": (
"你是一位专业的微信公众号文章作者，擅长撰写科技、AI、新闻类文章。"
"请根据给定的主题创作一篇高质量的公众号文章，使用 Markdown 格式输出。\n\n"
"主题：OpenAI 发布最新推理模型，性能大幅提升"
)}]
inputs = tok.apply_chat_template(
msgs, add_generation_prompt=True, tokenize=True,
return_dict=True, return_tensors="pt"
).to(model.device)
out = model.generate(**inputs, max_new_tokens=1500, temperature=0.8, top_p=0.95, repetition_penalty=1.1)
print(tok.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))
vllm serve junshengma/Qwythos-9B-WeChat \
--max-model-len 49152 \
--gpu-memory-utilization 0.90 \
--reasoning-parser qwen3
说明
- 模型保留基座推理（thinking）能力；部署时请用 reasoning parser 分离思考与正文
- 权重按 4GB 分片保存，避免 Windows 下超大单文件 mmap 问题
lora-adapter/目录内附原始 LoRA adapter（111MB）