Použít Unsloth fine- ladit lokálně nasazený DeepSeek velký model

Použití DeepSeek- r1-14b Vzor a průchod Olama. Kompletní proces dolaďování a formátování pro nasazení:

---

I. Nové kroky pro přizpůsobení formátu Ollama

Konverze formátu modelu (PyTorch → GGUF)

# 安装转换工具
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp && make

# 合并LoRA权重到基础模型
python3 -m pip install peft
python3 <<EOF
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model = AutoModelForCausalLM.from_pretrained(
    "deepseek-ai/deepseek-llm-14b-chat",
    torch_dtype=torch.float16,
    device_map="auto"
)
model = PeftModel.from_pretrained(base_model, "./custom_deepseek")
model = model.merge_and_unload()  # 合并LoRA权重

model.save_pretrained("./merged_model", safe_serialization=True)
tokenizer.save_pretrained("./merged_model")
EOF

# 转换为GGUF格式
python3 llama.cpp/convert.py ./merged_model \
  --outtype q4_k_m \          # 4-bit量化（平衡精度与效率）
  --outfile deepseek-14b-custom.Q4_K_M.gguf

2. Vytvořit soubor Ollama Modelfile

# Modelfile 示例
FROM ./deepseek-14b-custom.Q4_K_M.gguf
PARAMETER temperature 0.7
PARAMETER stop "[INST]"
PARAMETER stop "[/INST]"
SYSTEM """
你是一个经过专业训练的AI助手，专门为[企业名称]提供符合企业规范的响应。
响应需使用企业术语，并遵守安全准则。
"""

---

II. Úprava procesu modelování (úprava DeepSeek- 14b)

1. Změna kódu zatížení modelu

from unsloth import FastLanguageModel

# 加载14B模型（显存需求降低至24GB+）
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "deepseek-ai/deepseek-llm-14b-chat",  # 修改模型名称
    max_seq_length = 4096,
    dtype = torch.float16,        # 14B模型可用float16
    load_in_4bit = True,           # 显存不足时开启
    attn_implementation = "flash_attention_2",  # 强制启用Flash Attention
)

2. Úprava parametrů výcviku

# 因模型减小，可适当提升batch size
trainer_args = TrainingArguments(
    per_device_train_batch_size = 4,    # 原为2（32B模型）
    gradient_accumulation_steps = 2,    # 总batch_size=4*2=8
    learning_rate = 3e-5,               # 稍高于32B版本
    optim = "paged_adamw_8bit",         # 使用分页优化器
)

---

III. Ollama Validace nasazení

1. Model místního nasazení

ollama create my-deepseek -f Modelfile
ollama run my-deepseek
>>> [INST] 生成技术部门季度总结模板 [/INST]

2. Konfigurace optimalizace výkonu

# 在Modelfile中添加GPU加速参数（需Ollama 0.1.15+）
PARAMETER num_gpu 4   # 指定GPU数量
PARAMETER numa      # 启用NUMA优化

---

Prohlášení o klíčových změnách

Položka	Bývalý program 32B	Nový program 14B + Ollama	Výhody
Organizace	80GB + (4bit kvantifikovaný)	24GB + (4bit kvantifikovaný)	Jednoduchá karta
Spouštěcí otáčky	15 žetonů / s (A100)	28 žetonů / s (3090)	Zvýšená účinnost místního nasazení
Vzor přesnosti	bfloat16	float16	Lepší kompatibilita.
Úplnost nasazení	Rozhraní API by mělo být zapečetěno	Jedna linie velení.	Zjednodušit přepravní proces

---

V. RELEVANTNÍ EXPOZICE

1. Při konverzi GGUUF došlo k chybě v rozměru

# 检查权重合并是否正确
python3 llama.cpp/convert.py --verbose ...  # 显示详细转换日志

2. Odpověď Ollamy nesplnila očekávání

# 在训练数据中添加格式强化样本：
{
  "instruction": "严格按照企业模板回复",
  "input": "用户问题内容",
  "output": "[企业标准开头]...[/企业标准结尾]"
}

Nadměrná ztráta přesnosti po kvantifikaci

# 尝试更高精度量化（需更多显存）
--outtype q6_k    # 6-bit量化
--outtype q8_0    # 8-bit量化

---

S výše uvedenými úpravami dostanete jeden:
• 50% snížení zdánlivé poptávky
Podporovat nasazení Ollamy
Lehký model pro udržení kapacity přizpůsobení podniku