carry/gzhu-biyesheji
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

docs: 修正文档中API的大小写错误

Browse Source 
修正了verification.tex和requirement.tex中API的大小写错误，确保文档的一致性。
This commit is contained in:
carry 2025-04-28 22:19:15 +08:00
parent aac8c9d334
commit 1ff958e641
2 changed files with 2 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

2
paper/latex/chapters/requirement.tex
View File

@ -18,7 +18,7 @@
\subsubsection{数据持久化功能}
为了确保系统的稳定性、可配置性以及训练过程的可追溯和模型的可复用，本框架需要实现全面的数据持久化功能。这主要包括配置信息的持久化、训练与评估数据集的持久化以及训练后模型的持久化。针对不同的数据特性，将采用混合存储策略，利用关系型数据库存储结构化的配置参数和元数据，例如api配置信息。同时，非结构化或半结构化的数据，例如生成的训练语料、经过处理的技术文档内容，将采用文档型数据库或文件存储的方式进行持久化，以便于灵活存储和快速读取。同时，模型需要支持多种持久化方式，例如单独导出Lora适配器、导出gguf格式模型、导出量化后的模型等。通过有效的数据持久化机制，可以方便地加载历史配置以复现实验、管理和版本控制不同的数据集、以及存储和调用微调后的模型，从而提升整个框架的可用性和效率。
为了确保系统的稳定性、可配置性以及训练过程的可追溯和模型的可复用，本框架需要实现全面的数据持久化功能。这主要包括配置信息的持久化、训练与评估数据集的持久化以及训练后模型的持久化。针对不同的数据特性，将采用混合存储策略，利用关系型数据库存储结构化的配置参数和元数据，例如API配置信息。同时，非结构化或半结构化的数据，例如生成的训练语料、经过处理的技术文档内容，将采用文档型数据库或文件存储的方式进行持久化，以便于灵活存储和快速读取。同时，模型需要支持多种持久化方式，例如单独导出Lora适配器、导出gguf格式模型、导出量化后的模型等。通过有效的数据持久化机制，可以方便地加载历史配置以复现实验、管理和版本控制不同的数据集、以及存储和调用微调后的模型，从而提升整个框架的可用性和效率。
\subsubsection{前端展示功能}

2
paper/latex/chapters/verification.tex
View File

@ -60,7 +60,7 @@
\item 开源许可：采用MIT许可协议，允许学术研究。
\end{itemize}
数据集生成模型通过deepseek ai官方api调用，具体的生成参数如下：
数据集生成模型通过deepseek ai官方API调用，具体的生成参数如下：
\begin{itemize}
\item temperature：0.9
\item max\_length：4096