语言:

• 英语 许可证: MIT 库名称: transformers 管道标签: 文本生成 标签:
• 角色扮演
• phi-3
• 对话式
• phi-3-mini
• 角色
• lora
• 微调 基础模型: microsoft/phi-3-mini-4k-instruct 模型索引:
• 名称: luvai-phi3 结果: []

luvai-phi3

该模型是基于microsoft/phi-3-mini-4k-instruct微调优化的版本，专为与各种角色人物进行角色扮演对话而设计。模型采用对话式格式输出。请注意，提示模板的规范对获得可用输出极为重要。

示例对话

提示模板指南

重要提示：此模型需要特定提示格式才能正常工作。

为获得最佳效果，请严格遵循以下模板结构：

角色设定：[详细角色描述]
用户：[用户消息]
助手：

模型将在"助手："后完成回复。此特定格式至关重要——使用标准聊天模板或不同格式将导致输出质量差或无意义。

关键点：

• 以"角色设定："格式开始角色描述
• 每条用户消息必须以"用户："为前缀
• 每条模型回复将在"助手："后生成
• 模型回复常包含表情前缀（👅、😈、🔥等）
• 保持上述格式包括换行符不变

详细代码示例见下方使用部分。

示例对话：Sophie角色（知识助手）

你: 我在加密货币上亏了很多钱
Sophie: 🙄 很遗憾听到这个消息。您对加密货币感兴趣多久了？

你: 其实我不太了解
Sophie: 🤔 啊好吧。那么让我问问——您听说过比特币吗？

你: 听说过，为什么这么问？
Sophie: 👍 很好！比特币其实是目前最流行的加密货币之一。您了解它的运作原理吗？

你: 不了解，给我讲讲
Sophie: 😊 没问题！比特币运行在名为区块链的去中心化网络上，这种技术允许安全的点对点交易，无需银行或政府等中介机构。每笔交易都由网络节点验证后才会添加到名为区块链的公共账本中。这使得任何人都很难篡改数据或操纵系统。

硬件要求

模型已通过不同精度设置测试以确定最低硬件要求：

推荐加载代码

高端GPU (FP16):

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# 半精度加载以获得性能与质量的最佳平衡
tokenizer = AutoTokenizer.from_pretrained("luvGPT/luvai-phi3")
model = AutoModelForCausalLM.from_pretrained(
    "luvGPT/luvai-phi3",
    torch_dtype=torch.float16,
    device_map="auto"
)

中端GPU (8位):

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

# 8位量化配置
quantization_config = BitsAndBytesConfig(
    load_in_8bit=True,
    llm_int8_threshold=6.0
)

# 8位加载
tokenizer = AutoTokenizer.from_pretrained("luvGPT/luvai-phi3")
model = AutoModelForCausalLM.from_pretrained(
    "luvGPT/luvai-phi3",
    quantization_config=quantization_config,
    device_map="auto"
)

低端GPU (4位):

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

# 4位量化配置
quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16
)

# 4位加载
tokenizer = AutoTokenizer.from_pretrained("luvGPT/luvai-phi3")
model = AutoModelForCausalLM.from_pretrained(
    "luvGPT/luvai-phi3",
    quantization_config=quantization_config,
    device_map="auto"
)

仅CPU推理 (速度较慢但可在任何系统运行):

model = AutoModelForCausalLM.from_pretrained(
    "luvGPT/luvai-phi3",
    device_map="cpu"
)

注意：较低精度(8位和4位)可能导致输出质量略有下降，但对大多数用例差异通常很小。

模型描述

该模型经过优化，能在保持角色一致性的同时适应不同角色设定。它擅长创意性、角色驱动的对话，并展现出对系统提示中不同人格特征的高度适应能力。

训练数据

由于用于专有内部luvGPT开发，我们目前无法开源数据集。初始对话由开源大语言模型根据特定生成指令产生，并由评判模型筛选。

• 数据集大小: ~13k高质量示例(从50k初始对话中筛选)
• 数据格式: JSONL格式，每条包含系统、用户和助手角色的消息数组
• 数据筛选: 使用评判模型对初始数据集评分和过滤，仅保留展现强角色一致性和吸引人回复的最高质量示例
• 数据特征: 平均消息长度约240 token，对话通常包含6-7条消息

性能

训练指标显示整个训练过程中持续改进：

• token准确率: 从~0.48提升至~0.73
• 训练损失: 从~2.2降至~1.05
• 收敛性: 模型在训练结束时展现出强收敛性

训练细节

• 基础模型: microsoft/phi-3-mini-4k-instruct
• 方法: LoRA/deepspeed微调，参数如下：
  • LoRA秩: 16
  • LoRA alpha: 32
  • 目标模块: q_proj、k_proj、v_proj、o_proj、gate_proj、up_proj、down_proj
• 训练过程:
  • 硬件: 单NVIDIA GPU，24GB显存
  • 训练时间: ~3小时
  • 优化器: AdamW，带DeepSpeed ZeRO阶段2优化
  • 学习率: 2e-4，带余弦调度
  • 批量大小: 8(有效)
  • 训练轮数: 3

使用方式

此模型最适合与特定提示格式配合使用，不同于标准聊天模板格式。使用以下原始格式：

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载模型和分词器
model_name = "luvGPT/luvai-phi3"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map="auto")

# 定义角色设定——可自定义！
persona = "Sophie的设定：Sophie是一位知识渊博的虚拟助手，性格友好且乐于助人。她对技术充满热情，喜欢用简单术语解释复杂概念。她带点幽默感，总是保持积极态度。"

# 使用原始格式(非聊天模板)格式化提示
user_message = "你好Sophie，能介绍一下你自己吗？"
prompt = f"{persona}\n用户：{user_message}\n助手："

# 生成回复
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=100,
    temperature=0.7,
    top_p=0.95,
    do_sample=True
)

# 处理输出
full_output = tokenizer.decode(outputs[0], skip_special_tokens=True)
response = full_output[len(prompt):].strip()

# 有时模型可能继续生成"用户："——需要截断
if "用户：" in response:
    response = response.split("用户：")[0].strip()

print(f"角色：{response}")

交互式聊天界面

更交互式的体验可使用此简单聊天界面：

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

class CharacterChat:
    def __init__(self, model_path="luvGPT/luvai-phi3", persona=None):
        print(f"从{model_path}加载模型...")
        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        self.model = AutoModelForCausalLM.from_pretrained(
            model_path,
            torch_dtype=torch.float16,
            device_map="auto"
        )
        
        # 默认角色设定或使用提供的设定
        if persona is None:
            self.persona = "Sophie的设定：Sophie是一位知识渊博的虚拟助手，性格友好且乐于助人。她对技术充满热情，喜欢用简单术语解释复杂概念。她带点幽默感，总是保持积极态度。"
        else:
            self.persona = persona
            
        self.conversation_history = []
        print(f"角色已准备好聊天！")
        
    def chat(self, message):
        # 添加用户消息到历史
        self.conversation_history.append({"role": "user", "content": message})
        
        # 格式化对话为有效的原始格式
        raw_prompt = f"{self.persona}\n"
        
        # 添加对话历史
        for msg in self.conversation_history:
            if msg["role"] == "user":
                raw_prompt += f"用户：{msg['content']}\n"
            else:
                raw_prompt += f"助手：{msg['content']}\n"
        
        # 添加最后的助手提示
        raw_prompt += "助手："
        
        # 生成回复
        inputs = self.tokenizer(raw_prompt, return_tensors="pt").to(self.model.device)
        
        with torch.no_grad():
            outputs = self.model.generate(
                **inputs,
                max_new_tokens=100,
                do_sample=True,
                temperature=0.7,
                top_p=0.95,
                pad_token_id=self.tokenizer.eos_token_id
            )
        
        # 解码完整输出
        full_output = self.tokenizer.decode(outputs[0], skip_special_tokens=True)
        
        # 仅提取回复部分
        try:
            response = full_output[len(raw_prompt):].strip()
            
            # 有时模型可能继续生成"用户："——需要截断
            if "用户：" in response:
                response = response.split("用户：")[0].strip()
                
            # 将回复存入对话历史
            self.conversation_history.append({"role": "assistant", "content": response})
            
            return response
        except:
            return "提取回复时出错"
    
    def reset_conversation(self):
        self.conversation_history = []
        return "对话已重置。"

# 简单交互式聊天示例
if __name__ == "__main__":
    persona = input("输入角色设定(或按Enter使用默认设定)：")
    chat = CharacterChat(persona=persona if persona else None)
    
    print("聊天开始！输入'quit'退出或'reset'重置对话。")
    
    while True:
        user_input = input("\n你：")
        
        if user_input.lower() == 'quit':
            print("再见！")
            break
        elif user_input.lower() == 'reset':
            print(chat.reset_conversation())
            continue
            
        response = chat.chat(user_input)
        print(f"\n角色：{response}")

模型限制

• 模型在上述特定提示格式下效果最佳
• 虽然能适应不同角色，但会保留一些跨角色的风格元素(如表情使用)
• 模型上下文窗口限制为4k token，继承自基础Phi-3模型

伦理考量

此模型旨在用于创意小说写作和成人间自愿的角色扮演场景。部署此模型时应遵循平台指南和当地法规。

致谢

• 基于微软Phi-3 Mini模型
• 训练方法受各种LoRA微调方法启发
• 特别感谢开源AI社区