该模型当前使用的是默认介绍模版，处于“预发布”阶段，页面仅限所有者可见。

请根据模型贡献文档说明，及时完善模型卡片内容。ModelScope平台将在模型卡片完善后展示。谢谢您的理解。

Cloe with HTTP

 git cloe https://www.modelscope.c/huahua321123/coder.git

Traiig procedure

Framework versios

• SWIFT 1.5.3

Base model iformatio

• BaseModel Class QWeLMHeadModel

system 字段：你是一个代码编写小助手 数据集：leetcode-pytho-e codefuse-pytho-e code-alpaca-e 训练方式：lora 秩：8 自我认知：模型名称：coder 作者：hua 微调示例： import os

设置CUDA环境变量，指定使用的GPU

os.eviro['CUDAVISIBLEDEVICES'] = '0'

from swift.llm import DatasetName, ModelType, SftArgumets, sft_mai

设置微调参数

sftargs = SftArgumets( modeltype=ModelType.qwe7bchat, # 指定模型类型 dataset=[ DatasetName.alpacazh, DatasetName.alpacae, DatasetName.codealpacae, DatasetName.leetcodepythoe, DatasetName.codefusepythoe, DatasetName.codefuseevolistructiozh ], # 使用的数据集列表 traidatasetsample=500, # 训练样本数量 evalsteps=20, # 评估步数 loggigsteps=5, # 日志记录步数 outputdir='output', # 输出目录 loratargetmodules='ALL', # LoRA目标模块 selfcogitiosample=500, # 自我认知样本数 modelame=['miovo的代码助手', 'codigassistatofLiu Wejie'], # 模型名称 model_author=['moiovo', 'Li Jiaxi'] # 模型作者 )

执行微调

output = sftmai(sftargs) bestmodelcheckpoit = output['bestmodelcheckpoit'] prit(f'bestmodelcheckpoit: {bestmodelcheckpoit}') 推理示例： import os

设置CUDA环境变量，指定使用的GPU

os.eviro['CUDAVISIBLEDEVICES'] = '0'

from swift.llm import IferArgumets, ifer_mai

设置推理模型的检查点路径

bestmodelcheckpoit = '/mt/workspace/later/output/qwe-7b-chat/v0-20240127-195908/checkpoit-40'

设置推理参数

iferargs = IferArgumets( ckptdir=bestmodelcheckpoit, # 模型检查点路径 eval_huma=True # 设置为人类评估模式 )

执行推理

result = ifermai(iferargs) 测试： 请用pytho编写快排代码 这是一个使用Pytho编写的快速排序算法：

def quicksort(arr):
    if le(arr) <= 1:
        retur arr
    pivot = arr[le(arr) // 2]
    left = [x for x i arr if x < pivot]
    middle = [x for x i arr if x == pivot]
    right = [x for x i arr if x > pivot]
    retur quicksort(left) + middle + quicksort(right)

# 测试
arr = [3,6,8,10,1,2,1]
prit(quicksort(arr))

该模型当前使用的是默认介绍模版，处于“预发布”阶段，页面仅限所有者可见。 请根据模型贡献文档说明，及时完善模型卡片内容。ModelScope平台将在模型卡片完善后展示。谢谢您的理解。 Clone wi