sger-qwen3.5-9b-name-matching

SGER: Qwen3.5-9B 姓名实体解析与匹配

在 Qwen/Qwen3.5-9B 基础上分两阶段 LoRA 微调后的合并模型，用于印度 KYC 场景：

1. 阶段一：噪声姓名解析（还原 first_name / middle_name / last_name，Devanagari 天城文）
2. 阶段二：二元姓名匹配（判断两个姓名是否指向同一人，输出 Yes/No）

用法

import torch
from transformers import AutoModelForImageTextToText, AutoTokenizer

model = AutoModelForImageTextToText.from_pretrained(
    "cyqwill/sger-qwen3.5-9b-name-matching",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("cyqwill/sger-qwen3.5-9b-name-matching")

prompt = (
    "<|im_start|>system\n"
    "You are an expert system for KYC name matching in India. Determine if Name 1 and Name 2 refer to the same person. "
    "Account for spelling variations, abbreviations, token reordering, merged tokens, and honorifics (-bhai, -ji).<|im_end|>\n"
    "<|im_start|>user\n"
    '[Few-Shot Examples]\n'
    'Name 1: "kirtan singh" | Name 2: "singhkirtan" -> Yes\n'
    'Name 1: "ramesh patel" | Name 2: "rameshbhai patel" -> Yes\n'
    'Name 1: "vipin" | Name 2: "bipin" -> No\n'
    '[Target]\n'
    'Name 1: "अनिल रजनी यादव" | Name 2: "रजनी अनिल यादव" -> Match?<|im_end|>\n'
    "<|im_start|>assistant\n"
)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=8)
print(tokenizer.decode(out[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True))

评估结果

测试集（9581 对姓名）：

注意

• 基础模型为 Qwen/Qwen3.5-9B（多模态架构，Apache-2.0），文本主干为混合架构 （full attention + Gated DeltaNet），LoRA 只微调文本层模块。
• 本仓库存放的是合并后的完整模型（bf16，约 19GB，含视觉塔权重）。