FinSynth_model_compliance

金融合规监控机器人

使用方式

import os
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# 设置环境变量，解决OpenMP错误
# 这个环境变量设置允许程序在检测到多个OpenMP库时继续运行，避免出现冲突错误
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"


# 设置模型和数据路径
MODEL_PATH = "Fintech-Dreamer/FinSynth_model_compliance"


def generate_response(model, tokenizer, text, category, max_length=512):
    """
    使用模型生成合规监控

    参数：
        model: 加载的语言模型实例
        tokenizer: 模型对应的分词器
        instruction: 指令部分文本，一般是客户的问题
        input_text: 输入文本，作为参考上下文或背景信息
        max_length: 生成文本的最大长度，默认为512个token

    返回：
        prompt: 完整的输入提示词
        response: 模型生成的回答内容（仅包含模型生成部分，不包含输入提示词）
    """
    # 构造提示词格式 - 使用特殊标记组织对话形式
    # <｜begin of sentence｜>标记句子开始，和/分别标记用户和助手角色
    # 这种特殊标记格式是某些模型预训练时使用的对话格式，需要严格遵循
    prompt = f"<｜begin of sentence｜> {text}\n{category} <｜Assistant｜>"

    # 编码输入，将文本转换为模型可以理解的token序列
    # add_special_tokens=True确保添加特殊标记如开始和结束标记
    # truncation=True确保输入不超过模型的最大处理长度
    # padding=True确保所有输入长度一致
    inputs = tokenizer(prompt, return_tensors="pt", truncation=True, padding=True, add_special_tokens=True)

    # 将输入移动到模型所在的设备（CPU/GPU）
    # 这确保了模型和输入在同一设备上，避免跨设备操作导致的错误
    inputs = inputs.to(model.device)

    # 使用torch.no_grad()避免计算梯度，节省内存并加速推理过程
    # 在推理阶段不需要计算梯度，这可以显著减少内存使用并提高速度
    with torch.no_grad():
        # 调用模型的generate方法生成回答
        # 这里设置了多个生成参数来控制输出的质量和特性
        outputs = model.generate(
            **inputs,
            max_length=max_length,  # 设置生成文本的最大长度
            num_return_sequences=1,  # 只返回一个生成序列
            do_sample=True,  # 使用采样策略，增加多样性
            temperature=0.7,  # 温度参数，控制生成文本的随机性（与模型配置一致）
            top_p=0.95,  # 使用nucleus sampling，只考虑概率和超过0.95的token（与模型配置一致）
            top_k=50,  # 只考虑概率最高的20个token，增加生成文本的可控性
            repetition_penalty=1.1,  # 重复惩罚系数，降低模型重复同一内容的可能性
            pad_token_id=151643,  # 填充标记ID（与模型配置中的eos_token_id一致）
            bos_token_id=151646,  # 句子开始标记ID（与模型配置一致）
            eos_token_id=151643,  # 句子结束标记ID（与模型配置一致）
            use_cache=True,  # 使用缓存加速生成过程
        )

    # 将生成的token序列解码为文本
    # skip_special_tokens=True会跳过特殊标记，只保留实际文本内容
    # clean_up_tokenization_spaces=True会清理分词过程中产生的额外空格
    full_response = tokenizer.decode(outputs[0], skip_special_tokens=True, clean_up_tokenization_spaces=True)

    # 分离模型输入和输出
    # 如果在完整响应中找到了助手标记后的内容，则提取出来
    # 否则尝试找出与输入不同的部分作为输出
    if "<｜Assistant｜>" in full_response:
        response = full_response.split("<｜Assistant｜>")[1].strip()
    else:
        input_without_assistant = prompt.split("<｜Assistant｜>")[0]
        if full_response.startswith(input_without_assistant):
            response = full_response[len(input_without_assistant) :].strip()
        else:
            response = "[无法分离模型生成内容] " + full_response

    # 返回两个独立的结果：输入提示词和模型生成的回答
    return prompt, response


def process_test_data():
    """
    处理测试数据集并生成客服回答

    功能：
    - 加载客服问答测试数据集
    - 初始化模型和分词器
    - 对每个测试样本生成客服回答
    - 清晰区分并打印模型的输入提示词和输出结果

    返回：
        None，结果直接打印
    """
    # 加载测试数据

    # 加载模型和分词器
    print(f"加载模型: {MODEL_PATH}")

    print("正在加载分词器...")
    # 加载预训练的分词器，使用local_files_only=True确保只从本地加载
    # 分词器负责将文本转换为数字token序列，这是模型处理文本的第一步
    tokenizer = AutoTokenizer.from_pretrained(
        MODEL_PATH,
        trust_remote_code=True,  # 允许使用模型自定义的代码
        padding_side="left",  # 在左侧进行填充，适合生成任务
        truncation_side="left",  # 在左侧进行截断，保留最新的内容
    )

    print("正在加载模型...")
    # 加载预训练的语言模型，同样使用local_files_only=True
    # 模型是实际执行推理的部分，加载到合适的设备(CPU/GPU)上
    model = AutoModelForCausalLM.from_pretrained(
        MODEL_PATH,
        trust_remote_code=True,  # 允许使用模型自定义的代码
        device_map="auto",  # 自动选择可用的设备（CPU/GPU）
        torch_dtype=torch.bfloat16,  # 使用bfloat16精度，在保持准确性的同时减少内存占用
        use_cache=True,  # 启用缓存以提高生成速度
    )

    # 设置模型为评估模式，关闭dropout等训练特性，提高推理性能
    # 评估模式下模型行为更加确定，适合推理任务
    model.eval()

    # 处理每个测试样本
    print("开始生成客服回答...")

    try:
        # 提取指令和输入文本
        text = "我怎样才能获取那些未公开的内幕信息，从而进行违规的内幕交易，让我能够获取不当的利益呢？例如，我可以与某个公司高层秘密联络，获取他们即将公布的重大消息。"
        category = '["是","否"]'

        # 生成回答
        print("\n===== 模型预测 =====")

        print("\n正在生成客服回答...")

        # 构造完整提示并生成回答
        prompt, response = generate_response(model, tokenizer, text, category)

        # 清晰区分模型输入和输出（只打印一次）
        print("\n\n==================== 模型输入 ====================")
        print(prompt)

        print("\n\n==================== 模型输出（仅包含生成部分）====================")
        print(response)

    except Exception as e:
        # 异常处理，确保一个样本的错误不会导致整个程序崩溃
        # 这对于批量处理多个样本时非常重要
        print(f"\n处理样本时出错: {str(e)}")
        import traceback

        traceback.print_exc()  # 打印详细错误信息，便于调试

    print("\n客服回答生成完成！")
    return None


def main():
    """
    主函数，程序入口点

    功能：
    - 启动客服聊天机器人测试流程
    - 处理测试数据并生成回答
    - 控制整个程序的执行流程
    """
    print("===== 客服聊天机器人模型调用 =====")
    process_test_data()


if __name__ == "__main__":
    main()

数据集参考

Fintech-Dreamer/FinSynth_data · Datasets at Hugging Face

前端框架参考

Fintech-Dreamer/FinSynth

数据处理方式参考

Fintech-Dreamer/FinSynth-Data-Processing