fix: 修正技术章节和摘要中的QLoRA描述

修正技术章节和摘要中关于QLoRA的描述，使其更加准确和一致。具体修改包括统一术语使用和优化表达方式，以提升文档的可读性和专业性。

paper/latex/chapters/abstract.tex

@@ -7,7 +7,7 @@
 
 % 中文摘要
 \begin{onecolabstract}
-	\noindent{}\makebox[5em][l]{{\zihao{4}\textbf{摘要}}}{\songti \zihao{-4}大语言模型（LLMs）在通用代码生成任务中表现出色，但在处理包含专有知识的企业私有代码库时，其性能往往受限。针对此问题，本文提出并实现了一个基于文档驱动的自适应编码大模型微调框架。该框架的核心创新在于：首先，通过深度解析技术文档（Markdown格式），自动抽取信息并结合预设模板生成高质量的指令微调（SFT）训练语料；其次，利用参数高效微调技术（如QLoRA）对预训练的编码大模型（以qwen2.5为例）进行针对性优化，使其精准适配私有库的特定语法、结构和编程范式；最后，整合了包括数据持久化（SQLite+TinyDB）、训练监控（TensorBoard）和交互式前端（Gradio）在内的完整工作流。实验结果表明，该框架能够有效提升大模型在私有库代码生成任务上的准确性和实用性，为实现企业级软件开发的智能化和高效化提供了一套自动化、可扩展的解决方案。
+	\noindent{}\makebox[5em][l]{{\zihao{4}\textbf{摘要}}}{\songti \zihao{-4}大语言模型（LLMs）在通用代码生成任务中表现出色，但在处理包含专有知识的企业私有代码库时，其性能往往受限。针对此问题，本文提出并实现了一个基于文档驱动的自适应编码大模型微调框架。该框架的核心创新在于：首先，通过深度解析技术文档（Markdown格式），自动抽取信息并结合预设模板生成高质量的指令微调（SFT）训练语料；其次，利用参数高效微调技术（如Quantized Low-Rank Adaptation，QLoRA）对预训练的编码大模型（以qwen2.5为例）进行针对性优化，使其精准适配私有库特有的语法结构与编程范式；最后，整合了包括数据持久化（SQLite+TinyDB）、训练监控（TensorBoard）和交互式前端（Gradio）在内的完整工作流。实验结果表明，该框架能够有效提升大模型在私有库代码生成任务上的准确性和实用性，为实现企业级软件开发的智能化和高效化提供了一套自动化、可扩展的解决方案。
 	}\par
 	\noindent{}\makebox[5em][l]{{\zihao{4}\textbf{关键词}}}{\zihao{-4}\songti 大语言模型; 代码生成; 模型微调; 参数高效微调; QLoRA; 文档驱动; 自动化; 私有库; 自然语言处理; Gradio
 	}\par
@@ -15,7 +15,7 @@
 
 % 英文摘要
 \begin{onecolabstract}
-	\noindent{}\makebox[10em][l]{{\zihao{4} \textbf{ABSTRACT}}}{\zihao{-4}Large Language Models (LLMs) excel in general code generation tasks, but their performance is often limited when handling enterprise private code repositories containing proprietary knowledge. To address this issue, this paper proposes and implements a document-driven adaptive fine-tuning framework for large code models. The core innovations of this framework are: first, by deeply parsing technical documentation (Markdown format), it automatically extracts information and combines it with preset templates to generate high-quality instruction fine-tuning (SFT) training data; second, it utilizes parameter-efficient fine-tuning techniques (such as QLoRA) to specifically optimize a pre-trained large code model (taking qwen2.5 as an example), enabling it to accurately adapt to the specific syntax, structure, and programming paradigms of the private library; finally, it integrates a complete workflow including data persistence (SQLite+TinyDB), training monitoring (TensorBoard), and an interactive frontend (Gradio). Experimental results demonstrate that this framework can effectively improve the accuracy and practicality of large models in private library code generation tasks, and provide an automated, scalable solution for intelligent and efficient enterprise software development.
+	\noindent{}\makebox[10em][l]{{\zihao{4} \textbf{ABSTRACT}}}{\zihao{-4}Large Language Models (LLMs) excel in general code generation tasks, but their performance is often limited when handling enterprise private code repositories containing proprietary knowledge. To address this issue, this paper proposes and implements a document-driven adaptive fine-tuning framework for large code models. The core innovations of this framework are: first, by deeply parsing technical documentation (Markdown format), it automatically extracts information and combines it with preset templates to generate high-quality instruction fine-tuning (SFT) training data; second, it utilizes parameter-efficient fine-tuning techniques (such as Quantized Low-Rank Adaptation (QLoRA)) to specifically optimize a pre-trained large code model (taking qwen2.5 as an example), enabling it to accurately adapt to the specific syntax, structure, and programming paradigms of the private library; finally, it integrates a complete workflow including data persistence (SQLite+TinyDB), training monitoring (TensorBoard), and an interactive frontend (Gradio). Experimental results demonstrate that this framework can effectively improve the accuracy and practicality of large models in private library code generation tasks, and provide an automated, scalable solution for intelligent and efficient enterprise software development.
 	}\par
 	\noindent{}\makebox[10em][l]{{\zihao{4}\textbf{KEYWORDS}}}{\zihao{-4}Large Language Models; Code Generation; Model Fine-tuning; Parameter-Efficient Fine-tuning; QLoRA; Document-Driven; Automation; Private Library; Natural Language Processing; Gradio
 	}\par

paper/latex/chapters/technology.tex

@@ -162,7 +162,7 @@ SFT的``监督''特性体现在其训练数据的形式上。与预训练阶段
 采用SFT的主要目的在于提升模型在特定领域的性能表现和任务遵循能力。预训练模型虽然知识广博，但在特定专业领域或具体任务上的表现可能不够精确或不符合特定规范。通过在相关的高质量标注数据上进行微调，可以有效地向模型注入领域知识，提升其回答的准确性和相关性。同时，SFT也是引导模型学习遵循特定指令、模仿某种对话风格或角色的重要手段，使其行为更加符合人类预期，从而更好地服务于实际应用需求。因此，SFT是连接通用预训练模型与特定应用场景的关键桥梁，是使大模型``落地''不可或缺的技术步骤。在本研究中，我们采用SFT技术来定制化训练语言模型，以满足特定交互任务的需求。
 
 \subsection{QLoRA 微调方法}
-QLoRA（Quantization-aware Low-Rank Adaptation）是一种高效微调大语言模型（LLMs）的方法，它结合了量化和低秩自适应技术，旨在在资源受限的情况下实现与全精度微调相当的性能。QLoRA 的主要原理是在微调过程中冻结预训练 LLM 的权重并将其量化为 4 位精度，然后引入少量可训练的低秩适配器（Low-Rank Adapters, LoRA）。微调期间，梯度通过冻结的 4 位量化预训练语言模型反向传播到这些低秩适配器中。
+QLoRA是一种高效微调大语言模型（LLMs）的方法，它结合了量化和低秩自适应技术，旨在在资源受限的情况下实现与全精度微调相当的性能。QLoRA 的主要原理是在微调过程中冻结预训练 LLM 的权重并将其量化为 4 位精度，然后引入少量可训练的低秩适配器（Low-Rank Adapters, LoRA）。微调期间，梯度通过冻结的 4 位量化预训练语言模型反向传播到这些低秩适配器中。
 
 QLoRA 引入了多项创新技术以在节省内存的同时不牺牲性能。首先是 4 位 NormalFloat (NF4) 数据类型，这是一种专为正态分布权重设计的新数据类型，在信息论上最优，并在实证研究中优于 4 位整数和 4 位浮点数。NF4 基于分位数化，确保每个量化区间分配相等数量的输入张量值，从而有效利用内存。其次是双重量化 (Double Quantization)，通过对第一步量化的量化常数再次进行量化，进一步减少平均内存占用，在不显著损失性能的情况下节省额外内存。最后是分页优化器 (Paged Optimizers)，利用 NVIDIA 统一内存特性管理训练期间的内存峰值，特别是在处理长序列的小批量数据时，从而避免内存不足错误。