docs(verification): 更新验证章节内容并添加训练前文档示例

更新了验证章节中关于模型和数据集生成的描述，添加了训练前的文档示例图片，并调整了微调参数配置。具体修改包括：更新了Qwen2.5-3B和DeepSeek V3模型的性能描述、开源许可信息，以及微调参数中的LoRA秩和批处理大小等。

paper/latex/chapters/verification.tex

@@ -44,41 +44,45 @@
 
 本实验选择Qwen2.5-3B作为基础模型进行微调。该模型是阿里云开源的新一代大语言模型，具有以下特点：
 \begin{itemize}
-    \item 量化程度：4比特，在保持较高性能的同时，对计算资源要求相对较低
-    \item 参数规模：3.09B参数量（非嵌入参数2.77B），在保持较高性能的同时，对计算资源要求相对较低
-    \item 训练数据：经过大规模多语言语料训练，具备较强的中英文理解和生成能力
-    \item 上下文窗口：支持128K tokens的上下文窗口和8K tokens的生成长度，适合处理超长技术文档
-    \item 开源许可：采用开源许可证，允许学术研究和商业应用
+    \item 性能表现：在 MMLU、GSM8K、BBH 等权威测试中优于多数同参数级开源模型。
+    \item 参数规模：3.09B参数量（非嵌入参数2.77B），在保持较高性能的同时，对计算资源要求相对较低。
+    \item 上下文窗口：支持128K tokens的上下文窗口和8K tokens的生成长度，适合处理超长技术文档。
+    \item 开源许可：采用Qwen Research 许可协议，允许学术研究。
 \end{itemize}
 
-\subsubsection{数据集生成模型}
+\subsubsection{数据集生成}
 
 本实验采用DeepSeek V3作为数据集生成模型，该模型是深度求索公司开发的新一代大语言模型，具有以下特点：
 \begin{itemize}
-    \item 模型架构：基于Transformer架构，64K上下文窗口
-    \item 训练数据：经过大规模高质量多语言语料训练，具备强大的代码理解和生成能力
-    \item 推理能力：支持复杂逻辑推理和长文档处理
-    \item 开源许可：采用开源许可证，允许学术研究和商业应用
+    \item 性能表现：在MT-Bench等基准测试中达到开源模型领先水平，推理速度优于同规模模型30\%以上。
+    \item 上下文窗口：在理论上支持 128K tokens 的上下文长度。不过在实际应用中，部分服务商可能会出于硬件或性能优化等考虑，将其限制在 64K tokens
+    \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：
+\begin{itemize}
+    \item temperature：0.9
+    \item max\_length：4096
+\end{itemize}
 
 \subsubsection{仓库文档选择}
+本实验使用unsloth官方仓库文档(\url{https://docs.unsloth.ai/})进行微调。在训练前，大模型并不了解该项目，如图\ref{fig:before_train}所示。
 
-实验使用的微调数据集由以下部分组成：
-
-
+\begin{figure}[htbp]
+    \centering
+    \includegraphics[width=0.8\textwidth]{pic/before_train.png}
+    \caption{训练前的文档内容示例}
+    \label{fig:before_train}
+\end{figure}
 
 \subsubsection{微调参数配置}
 
 本实验采用LoRA（Low-Rank Adaptation）技术进行参数高效微调，主要配置参数如下：
 \begin{itemize}
-    \item LoRA秩（r）：16，控制低秩矩阵的维度
+    \item LoRA秩（r）：64，控制低秩矩阵的维度
     \item LoRA缩放因子（alpha）：16，控制LoRA更新的幅度
-    \item 目标模块：attention相关层（q\_proj, k\_proj, v\_proj, o\_proj）和FFN相关层（gate\_proj, up\_proj, down\_proj）
     \item 学习率：2e-4，采用余弦学习率调度策略
-    \item 批处理大小：每设备4个样本
+    \item 批处理大小：每设备1个样本
     \item 训练轮次：3个epoch
     \item 优化器：AdamW，权重衰减为0.01
     \item 梯度累积步数：4，用于增大有效批处理大小