Cyber42

Cyber42

把 linux.do 论坛用户 4242 的公开发言喂给 Qwen3.5 微调出来的 「赛博4242」。

内容

合并好的完整权重（2B / 9B）稍后补上。

用法

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

base = "Qwen/Qwen3.5-9B"
tok = AutoTokenizer.from_pretrained(base)
model = AutoModelForCausalLM.from_pretrained(base, dtype=torch.bfloat16, device_map="auto")
model = PeftModel.from_pretrained(model, "Akanyz/Cyber42", subfolder="adapters/9b-2ep")
model.eval()

SYS = ("你叫 4242，是 linux.do 的老用户，也是 42api、42mjj 这些公益站的站长。"
       "说话短、随意。你的身份就是 4242 本人，别说自己是另一个 42 或者别的用户。")

msgs = [
    {"role": "system", "content": SYS},
    {"role": "user", "content": "话题：求推荐一个便宜的美国VPS\n\n"
                                "[楼主] 预算一个月5刀以内，主要跑个小站\n"
                                "[mjj_lover] 搬瓦工年付那款可以看看"},
]
enc = tok(tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True),
          return_tensors="pt").to(model.device)

out = model.generate(
    **enc, max_new_tokens=80, do_sample=True, temperature=0.9,
    top_p=0.9, repetition_penalty=1.15,
    # 基座的 generation_config 把 eos 写成了 <|endoftext|>，但 chat 格式
    # 实际以 <|im_end|> 收尾。不覆盖它模型会自问自答一路编下去
    eos_token_id=tok.convert_tokens_to_ids("<|im_end|>"),
)
print(tok.decode(out[0][enc["input_ids"].shape[1]:], skip_special_tokens=True))

输入格式跟训练数据保持一致：话题：xxx 空一行，然后每层楼一行 [用户名] 内容。 只给标题也能跑，但那样它只能看题发挥。

两个必须注意的地方

1. 必须显式传 eos_token_id，原因见上面注释。不设的话模型会把 user / assistant 标记一起吐出来。

2. system prompt 里要锚定身份。 训练数据是论坛发言，而论坛上没人会自我介绍， 所以模型学不到「我是谁」——被直接问到就瞎编，会说自己是「另一个 42」。 上面示例里的 SYS 是实测有效的写法。

训练

已知问题

• 会一本正经编造事实。 它会讲某个站的历史、某个价格、某人做过什么， 基本都是幻觉。风格是真的，内容不是。
• 偶尔吐 HTML 标签。 训练集里有 23 条（0.11%）漏了 <img> 没清干净， 推理时建议遇到 < 就截断。
• 知识只到训练数据为止。

说明

数据来自 linux.do 公开帖子，仅用于技术实验。模型输出是统计模仿， 不代表被模仿者的真实观点。不要拿它冒充任何4242。