Thai-HomeworkGen เป็นโมเดลภาษาไทยขนาด 7B ที่ถูก fine-tune ด้วยเทคนิค Supervised Fine-tuning (SFT)
โดยใช้ไลบรารี trl ร่วมกับ QLoRA บนฐาน mistralai/Mistral-7B-Instruct-v0.3

🧪 ตัวอย่างการใช้งาน

python

from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
import torch

tokenizer = AutoTokenizer.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1")
model = AutoModelForCausalLM.from_pretrained("UpMath/Thai-HomeworkGen-7.2B-v1",device_map="auto")

generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    device_map="auto",
    max_new_tokens=2048,
    do_sample=True,
    temperature=0.7,
    pad_token_id=tokenizer.eos_token_id
)

prompt = """
  ระดับ Bloom: "วิเคราะห์" # หรือ ["วิเคราะห์", "จดจำ"]
  ระดับชั้น: 'มัธยมศึกษาปีที่ 4'
  โปรดสร้างโจทย์ พร้อมวิธีทำและคำตอบ:
"""

result = generator(prompt)[0]['generated_text']
print(result)

🎯 จุดประสงค์ของโมเดล

✅ สร้างโจทย์คณิตศาสตร์ใหม่ในรูปแบบภาษาไทย
✅ แสดงวิธีทำและคำตอบที่ชัดเจน
✅ รองรับระดับความคิดตามแนวทาง Bloom’s Taxonomy
✅ ออกแบบมาเพื่อใช้ในบริบทการศึกษา การสอน และการวัดผล reasoning

🧠 ข้อมูลการฝึก (Training Details)

Base Model: mistralai/Mistral-7B-Instruct-v0.3
Library: trl (SFTTrainer)
Adapter: QLoRA (peft)
Batch Size: 2 × 4 (gradient_accumulation)
Epochs: 3
Sequence Length: 1024
Dataset: Thai Math Dataset (~32K examples, translated + aligned)

โมเดลถูกฝึกด้วย QLoRA โดยใช้เทคนิค low-rank adapter (LoRA) ร่วมกับ quantization 4-bit
เพื่อให้สามารถฝึกบน GPU ขนาดกลาง เช่น A100 หรือ Colab Pro ได้อย่างมีประสิทธิภาพ

📦 Dataset ที่ใช้

ชื่อชุดข้อมูล: Thai-HomeworkGen-32K เนื้อหา: โจทย์คณิตศาสตร์ภาษาไทยระดับมัธยมปลาย พร้อมวิธีทำ คำตอบ และระดับ Bloom Taxonomy ต้นฉบับแปลจากชุดข้อมูลภาษาอังกฤษ

ชุดข้อมูลถูกแปลและจัดโครงสร้างโดยใช้ LLM (Gemma 2 27B) พร้อมตรวจสอบโดยผู้เชี่ยวชาญจาก สวทช.

👉 ดูรายละเอียดของ Dataset

การอ้างอิง

หากคุณใช้งานโมเดลนี้ สามารถให้เครดิตโปรเจกต์นี้ได้ด้วย