selfpo-qwen3vl-4b-chip-native
LoRA-адаптер с выравниванием предпочтений для Qwen3-VL
2 мин чтенияобновлено
Это исследовательский LoRA-адаптер (небольшая надстройка над базовой моделью) формата PEFT для мультимодальной модели Qwen3-VL-4B-Instruct, которая работает с текстом и изображениями. Адаптер обучен методом CHiP — это иерархическое обучение на предпочтениях на уровне ответов, изображений и токенов, построенное на базе ветки mDPO. Модель представляет собой один из 60 экспериментальных прогонов автора pratikjalan по сравнению методов отбора негативных примеров (вариант native использует исходные негативные примеры из датасета). Разработка пригодится исследователям и инженерам, изучающим методы выравнивания (preference optimization) для визуально-языковых моделей (VLM).
Ключевые особенности
- Точечная настройка языковой части: LoRA (rank 64, alpha 128) обучена только на слоях языковой модели, тогда как визуальный энкодер и проектор оставались замороженными.
- Иерархический метод CHiP: оптимизация предпочтений учитывает сразу три уровня — весь ответ, изображение и отдельные токены.
- Обучение на датасете TPO: пары для обучения собраны на основе набора данных
helehan/topic-overwriteв точностиbfloat16без квантования. - Воспроизводимость эксперимента: в репозитории сохранены хеши данных, версии библиотек и лог падения функции потерь (loss снизился с 0.7184 до 0.0320 за 668 шагов).
Что можно сделать
- Изучить влияние CHiP на VLM: сравнить ответы базовой Qwen3-VL-4B-Instruct с подключённым адаптером и без него на мультимодальных задачах.
- Воспроизвести или расширить бенчмарки: использовать готовые веса в связке с библиотекой
peftдля оценки качества выравнивания предпочтений в академических экспериментах.
Пример
from peft import PeftModel
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
base = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen3-VL-4B-Instruct", torch_dtype="bfloat16")
model = PeftModel.from_pretrained(base, "pratikjalan/selfpo-qwen3vl-4b-chip-native")
processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-4B-Instruct")
Подробнее
Базовая модель: Qwen/Qwen3-VL-4B-Instruct (4B параметров, в репозитории только веса LoRA).Параметры обучения: 2 эпохи, learning rate 5e-07, global batch size 64, длина контекста до 4096 токенов.
Ограничения: исследовательский артефакт без настройки безопасности (safety-tuning), возможны галлюцинации.
Лицензия: CC-BY-NC-4.0 (только некоммерческое использование, с учётом лицензии базовой модели).










Комментарии