项目	详情
基础模型	`google/gemma-4-E4B-it`（通过 unsloth 加速）
微调方法	LoRA（r=8, lora_alpha=8，仅更新语言层）
训练数据	户晨风 2023–2025 年直播文字稿，489 个文件
训练样本	167,275 条单轮问答对
训练步数	2,000 步（Tesla T4，4-bit 量化）
可训练参数	18,350,080 / 8,014,506,528（约 0.23%）
发布格式	GGUF Q8_0

数据集与预处理

训练数据来源于 HuChenFeng 项目整理的直播文字稿，格式为每行一句、全角冒号分隔说话人：

某网友：你觉得这个事情怎么看？
户晨风：哎，我跟你讲，这个事情吧……

预处理脚本（prepare_dataset.py）的主要步骤：

说话人映射：某网友 → user，户晨风 → assistant
礼物感谢清洗：去除 感谢XXX / 谢谢XXX（随机用户 ID），保留 感谢大家 / 谢谢主播 等通用表达
冗余标点折叠：………… → ……，！！！ → ！ 等
零信号用户回合过滤：纯语气词（如"嗯""哦"，≤4字）的用户回合直接丢弃
相邻同角色合并：保证严格的 user/assistant 交替，符合 Gemma-4 chat template 要求

微调保留了户晨风的口头禅（"是吧""你听我讲""刚开播刚开播"等），这正是风格迁移的目标。

使用方式

使用 llama.cpp / Ollama（推荐）

bash

# 下载 GGUF 文件后
llama-cli -m hcf-gemma-4-Q8_0.gguf \
  --chat-template gemma \
  -p "电车买什么好？" \
  --temp 1.0 --top-p 0.95 --top-k 64

使用 Python（transformers + unsloth）

python

from unsloth import FastModel
from unsloth.chat_templates import get_chat_template

model, tokenizer = FastModel.from_pretrained(
    model_name="hasbai/hcf-gemma-4",
    max_seq_length=1024,
    load_in_4bit=True,
)
tokenizer = get_chat_template(tokenizer, chat_template="gemma-4")

messages = [{"role": "user", "content": "你觉得年轻人现在最应该做什么？"}]
inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt",
    return_dict=True,
).to("cuda")

outputs = model.generate(
    **inputs,
    max_new_tokens=256,
    temperature=1.0, top_p=0.95, top_k=64,
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

推荐推理参数：temperature=1.0, top_p=0.95, top_k=64（与 Gemma-4 官方推荐一致）

局限性与声明

风格迁移，非知识增强：本模型的目标是学习户晨风的语言风格，不代表其观点正确性，也不构成任何形式的建议。
直播语料特点：训练数据为口语化直播文字稿，模型输出会带有较强的口语色彩、语气词与重复表达，这是有意为之。
基础模型限制：本模型继承 Gemma-4 E4B 的能力边界，复杂推理、专业知识等方面仍受基础模型限制。
版权说明：训练数据文字稿由第三方整理，本项目仅用于学术与技术研究目的。

训练复现

bash

# 1. 克隆仓库（含语料子模块）
git clone --recurse-submodules https://github.com/hasbai/hcf
cd hcf

# 2. 生成训练数据
python prepare_dataset.py --mode pair --output hcf_sft_pair.jsonl

# 3. 在 Colab 运行训练 notebook
#    见 Gemma4_(E4B)-Text.ipynb

hasbai/hcf-gemma-4

hcf-gemma-4

模型简介

数据集与预处理

使用方式

使用 llama.cpp / Ollama（推荐）

使用 Python（transformers + unsloth）

局限性与声明

训练复现

相关链接

hasbai/
hcf-gemma-4