数据源	数量	占比	描述
华佗百科问答	7,960条	60.5%	复旦大学华佗医学百科问答数据集
医疗推理数据	2,924条	22.2%	FreedomIntelligence医学O1推理数据
华佗知识图谱	2,269条	17.3%	结构化医学知识问答数据

训练配置

基础模型: unsloth/gemma-3n-E4B-it
微调方法: LoRA (rank=16, alpha=32)
训练步数: 8,000步
学习率: 2e-4
批次大小: 4 (1×4梯度累积)
优化器: adamw_8bit

使用方法

python

from unsloth import FastModel

# 加载模型
model, tokenizer = FastModel.from_pretrained(
    "ZhangQiao123/MedGemma3N-chinese-qa-v1",
    dtype=None,
    load_in_4bit=True
)

# 生成回答
messages = [{"role": "user", "content": "什么是高血压？"}]
inputs = tokenizer.apply_chat_template(messages, tokenize=True, return_tensors="pt")

outputs = model.generate(
    inputs,
    max_new_tokens=512,
    temperature=0.7,
    do_sample=True
)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

应用场景

中文医学问答
疾病症状咨询
治疗建议提供
药物使用指导
医学知识解释

模型性能

该模型在以下方面表现优秀：

✅ 医学术语理解准确
✅ 疾病诊断推理合理
✅ 治疗建议专业可靠
✅ 中文医学表达流畅

注意事项

⚠️ 重要提醒:

本模型仅供学习研究使用
不能替代专业医生诊断
实际医疗决策请咨询专业医生
模型回答仅供参考

技术细节

模型大小: ~4B参数 + LoRA适配器
推理速度: 支持4位量化快速推理
内存需求: 约8-12GB GPU内存
支持框架: Transformers, Unsloth

开发团队

基于Unsloth框架和FreedomIntelligence数据集开发

许可证

Apache 2.0

更新日志

v1.0 (2025-01-25): 第一阶段基础版本发布，基于13,153条中文医学数据训练
计划v2.0: 第二阶段专业增强版本，将基于85,000条专业临床数据进行训练