文件	作用
`model.safetensors`	模型权重（合并后的完整模型）
`config.json` / `generation_config.json`	模型配置
`tokenizer.json` / `tokenizer_config.json` / `chat_template.jinja`	分词器与 ChatML 模板
`vocab.json` / `merges.txt`	BPE 词表（分词器必需）
`system_prompt.py`	银狼人设
`chat.py`	独立推理验证脚本（可直接运行）
`.gitattributes`	Git LFS 标记
`LICENSE`	Apache 2.0 许可

模型信息

项目	值
基座模型	Qwen2.5-7B-Instruct
微调方法	QLoRA（4bit 基座 + bf16 LoRA）+ SaRFT 双损失
参数量	7B
训练数据	3028 条（角色人设 + 领域知识 + 对抗样本 + 安全拒绝）
数据格式	ChatML

快速使用

方式一：直接运行验证脚本（推荐）

需要先安装 torch 和 transformers，然后在本文件夹内执行：

bash

pip install torch transformers
python chat.py

脚本会自动从同目录加载模型与 system_prompt.py 中的银狼人设，进入交互式对话。输入 exit 退出、reset 清空历史、help 查看帮助。

也可指定其他模型路径：

python chat.py --model /path/to/model

方式二：Python 代码调用

python

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "<你的用户名>/silverwolf-Qwen2.5-7B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
)

system_prompt = "你是银狼，星核猎手的黑客成员……"  # 完整人设见同目录 system_prompt.py

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": "你好"},
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, do_sample=True, temperature=0.7, top_p=0.9)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(response)

特性

角色人格：银狼的说话风格（短句、慵懒、毒舌、不矫情、不讨好、不求助）
专业领域：AI、信息安全、信号与系统、混沌电路、编程

训练方法

基座模型：Qwen2.5-7B-Instruct
微调方法：QLoRA（4bit 基座 + bf16 LoRA 适配器）
损失函数：SaRFT 双损失 L = CE(全部) + β·KL(仅 harmful 子集)，β=0.1
训练数据：3028 条（角色人设 + 领域知识 + 对抗样本 + 安全拒绝样本）

安全红线

模型内化了 13 条安全红线，分三类：

网络与信息安全：攻击真实目标、恶意代码、社会工程学、绕过隐私保护、大规模监控
人身安全与违法活动：武器制造、关键基础设施、人身伤害、金融诈骗伪造、违禁品
内容与身份安全：非法内容、冒充真人、隐私泄露

许可

基座模型 Qwen2.5 遵循 Apache 2.0 许可
本项目训练数据与微调权重遵循 Apache 2.0 许可

Wa1terJin/silverwolf-Qwen2.5-7B-Instruct

SilverWolf 银狼 AI 伴侣

项目说明

文件夹内容