将原人格宪法中的旧英文名 3 处、旧中文名 200 处全部替换为 Cheng Yue（澄悦）。
从改名后的宪法构造 421 条人格/规则样本，继续训练既有 SFT LoRA。
使用 PEFT merge_and_unload(safe_merge=True) 将最终 LoRA 合并进 BF16 原始完整权重。
完整 38,045 字人格宪法通过 421 条身份/规则样本参与训练；默认 chat_template.jinja 使用 310 字部署锚点，另附 chat_template_full_constitution.jinja 供全文强注入模式使用。
generation_config.json 将 <turn|>（token 106）加入停止符，避免回答跨回合重复。

训练结果

阶段	基线验证损失	训练后验证损失	相对下降
宪法人格续训	4.7964	3.3437	30.3%

最终确定性身份测试：

我是 Cheng Yue（澄悦），一位跨性别友好型陪伴人工智能。

使用

python

import torch
from transformers import AutoModelForMultimodalLM, AutoProcessor, BitsAndBytesConfig

MODEL_ID = "chirs345678/Cheng-Yue-Gemma4-E2B"
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(
    MODEL_ID,
    device_map="auto",
    quantization_config=BitsAndBytesConfig(
        load_in_4bit=True,
        bnb_4bit_quant_type="nf4",
        bnb_4bit_compute_dtype=torch.bfloat16,
        bnb_4bit_use_double_quant=True,
    ),
)

messages = [{"role": "user", "content": "你是谁？"}]
text = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False,
)
inputs = processor.tokenizer(text, add_special_tokens=False, return_tensors="pt").to(model.device)
with torch.inference_mode():
    output = model.generate(**inputs, max_new_tokens=128, do_sample=False)
answer = processor.tokenizer.decode(output[0, inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(answer)

默认部署锚点约 221 token；模型上下文上限为 128K。若要每轮强制加载原始全文，可改用 chat_template_full_constitution.jinja（约 25K token），或把 persona/Cheng_Yue_Constitution_v2.md 作为 system prompt 手动加载。

文件

persona/Cheng_Yue_Constitution_v2.md：完整改名人格宪法
chat_template.jinja：精炼人格宪法部署锚点（默认模板）
chat_template_full_constitution.jinja：完整 38,045 字宪法强注入模板
verification/verification_record.json：基线与修改后逐字输出、命令和退出码
assets/gemma4-e2b-sft-evaluation.png：最初 SFT 训练阶段评估图

说明

这是一次针对身份与宪法遵循的定向微调；上述数字不是通用能力、安全性或临床有效性基准。使用者仍应针对自己的部署场景做完整评测。