EE-Model-1.5B

EE-Model-1.5B (Electronic Information Discipline Model)

<div align="center">

English | 简体中文

全球首个电子信息学科轻量化大模型

赋能高校教研，基于昇腾端边云协同架构

</div>

模型概述 (Model Overview)

EE-Model-1.5B 是"鸿斛"电子信息专业引擎的核心组件之一，专为电子信息学科设计的轻量化语言模型。

针对该学科知识点复杂、技术迭代快、跨学科性强等痛点，我们构建了包含3万余条高质量数据的 EE-Bench 评测基准，并基于 昇腾 (Ascend) 全栈技术体系（MindSpore + MindIE + CANN）进行了全流程的训练与微调。

EE-Model-1.5B 专为 端侧/边侧 (Edge) 部署设计（如昇腾香橙派 OrangePi AIPro），拥有极致的推理速度和极低的资源占用，能够与云端大模型（EE-Model-72B）协同工作，实现智能路由与高效负载均衡。

核心亮点 (Key Features)

• 学科专精：填补了电子信息领域学科大模型的空白，涵盖"信号与系统"、"通信原理"、"数字信号处理"等八大核心课程。
• 端侧优化：1.5B 参数量经过知识蒸馏与剪枝，适配资源受限的边缘设备，支持快速响应简单任务与路由决策。
• 全栈国产化：从训练（Ascend 910B + MindSpore）到推理（MindIE），完全基于国产算力底座构建，安全可控。
• 多语言支持：支持中、英、法、德四国语言，面向全球学术交流场景。

训练数据 (Training Data)

本模型基于全球首个电子信息学科能力评测基准数据集 EE-Bench 进行微调。

• 数据规模：30,000+ 条高质量专业指令数据。
• 覆盖范围：涵盖 20+ 电子信息核心知识点体系。
• 题型多样：包含编程、单选、多选、计算、简答、判断、填空、证明、综合九大题型。
• 构建方式：基于 Mineru 自动化提取教材/真题 + 人工清洗 + 专家校验。

模型训练 (Model Training)

EE-Model-1.5B 的训练依托于 Ascend 910B 集群，利用 LLaMA-Factory 统一训练框架进行微调。

• 基础模型：Qwen2.5-1.5B (Base) / DeepSeek (Distilled)
• 硬件环境：Huawei Ascend 910B (NPU)
• 训练框架：MindSpore, MindSpeed
• 训练方法：
  • SFT (Supervised Fine-Tuning)
  • DPO (Direct Preference Optimization)
  • Knowledge Distillation (from EE-Model-72B)

模型推理 (Inference)

本模型完美适配 MindIE 推理加速框架，也可通过 Hugging Face transformers 库进行通用推理。

快速开始 (Python)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# 加载模型
model_path = "HongHuTeam/EE-Model-1.5B"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.float16
)

# 电子信息专业问题示例
prompt = "请解释麦克斯韦方程组在电磁场理论中的物理意义。"
messages = [
    {"role": "system", "content": "你是一名电子信息学科的专业助教。"},
    {"role": "user", "content": prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

昇腾 MindIE 部署 (Ascend MindIE)

针对昇腾硬件（如 OrangePi AIPro），建议使用 MindIE 进行高性能推理：

# MindIE Service 启动示例
# Coming Soon: 详细的 MindIE 配置文件和启动脚本将在后续更新中提供

模型效果 (Model Performance)

EE-Model-1.5B 在 EE-Bench 上展现了优秀的性能，特别是在处理基础概念问答和路由判别任务上。

注：EE-Model-1.5B 在同等参数量级下显著超越基座模型，且接近 GPT-4o 水平。1.5B 版本主要侧重于轻量化与边缘端快速响应。

应用场景 (Applications)

基于 端边云协同智能路由架构，EE-Model-1.5B 主要承担以下职责：

1. L3-路由决策：精准判别用户提问的文本复杂度，决定任务是在本地处理还是上传云端。
2. 简单任务速答：快速处理概念查询、名词解释等低算力需求任务。
3. 本地隐私保护：在边缘端处理敏感数据，减少上云需求。

协议与引用 (License & Citation)

本项目遵循 Apache 2.0 开源协议。

如果您在研究中使用了本模型或数据集，请按如下格式引用：

@misc{honghu2025eemodel,
  title={EE-Model: Electronic Information Professional Engine based on Ascend},
  author={Honghu Team},
  year={2025},
  publisher={GitHub/HuggingFace},
  howpublished={\url{https://huggingface.co/HongHuTeam/EE-Model-1.5B}}
}

免责声明 (Disclaimer)

虽然 EE-Model 在电子信息专业数据上进行了深度微调，但作为语言模型，它仍可能产生幻觉或错误信息。涉及电路设计、安全规范等关键决策时，请务必咨询专业人士或参考权威教材。

---

Last Update: 2025-12-07

Created by the Honghu Team (鸿斛战队)