thbhybhybyhb

lab21-2A202601454-qwen35-triage-vi

README

License: apache-2.0

Tác vụ

Đầu vào là một ticket CSKH tiếng Việt, đầu ra bắt buộc là đúng một object JSON, 4 khoá, không markdown:

json

{"intent": "doi_tra", "urgency": "trung_binh", "product": "balo laptop", "sentiment": "trung_tinh"}

Table with columns: Trường, Tập giá trị
Trường	Tập giá trị
`intent`	`doi_tra` · `van_chuyen` · `hoan_tien` · `san_pham_loi` · `hoi_thong_tin`
`urgency`	`cao` · `trung_binh` · `thap`
`sentiment`	`tieu_cuc` · `trung_tinh` · `tich_cuc`
`product`	tên sản phẩm xuất hiện trong ticket

Kết quả đo (50 mẫu target đóng băng, 15 câu regression, greedy decode)

Table with columns: Cấu hình, target, regression, format, latency (ms)
Cấu hình	target	regression	format	latency (ms)
(a) base + prompt cẩu thả	0.000	0.758	0.000	3249
(b) base + prompt tối ưu	0.765	0.758	1.000	1089
(c) adapter này	0.970	0.633	1.000	1435

Adapter được chấm với prompt cẩu thả — hành vi đã nằm trong trọng số, không cần schema trong prompt.

Phán quyết: FAILED ở cổng hồi quy — và đó là kết quả trung thực

Trên tác vụ đích adapter thắng baseline prompt tốt nhất +0.205. Nhưng điểm năng lực phổ thông tụt −0.124 (dung sai 0.020) → quên thảm hoạ (catastrophic forgetting), vì 100 % dữ liệu huấn luyện là JSON và không có replay data.

Khuyến nghị sử dụng: dùng như adapter chuyên dụng bật/tắt theo route, không dùng làm model đa dụng. Muốn khắc phục: trộn 1–5 % dữ liệu hội thoại phổ thông vào tập train.

Ba cấu hình đối chứng (cùng 30 step, cùng ngân sách tham số)

Table with columns: run, thay đổi, target, train loss, peak VRAM
run	thay đổi	target	train loss	peak VRAM
`correct` (adapter này)	—	0.970	0.6261	12.01 GB
`attn_only`	chỉ q,v · r=283 (khớp số tham số)	0.970	0.5367	12.02 GB
`wrong_lr`

Lưu ý: xếp theo train loss thì attn_only đứng đầu; xếp theo điểm tác vụ thì nó hoà với correct. Train loss là bằng chứng đảo ngược, không chỉ là bằng chứng yếu.

Cách dùng

python

from transformers import AutoModelForCausalLM, AutoTokenizerfrom peft import PeftModelimport torch BASE = "unsloth/Qwen3.5-4B"ADAPTER = "thbhybhybyhb/lab21-2A202601454-qwen35-triage-vi" tok = AutoTokenizer.from_pretrained(BASE, trust_remote_code=True)model = AutoModelForCausalLM.from_pretrained(BASE, dtype=torch.float16,                                             device_map="auto", trust_remote_code=True)model = PeftModel.from_pretrained(model, ADAPTER) msgs = [    {"role": "system", "content": "Phân loại ticket sau."},    {"role": "user", "content": "Alo shop, mình đặt balo laptop mã đơn VN411453. "                                "Cho tôi trả lại. Đã 3 ngày rồi. Cho tôi hỏi."},]text = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)out = model.generate(**tok(text, return_tensors="pt").to(model.device),                     max_new_tokens=160, do_sample=False)print(tok.decode(out[0], skip_special_tokens=True))

Hạn chế đã đo được

Năng lực phổ thông giảm 0.124 — không dùng thay model nền.
urgency = thap là điểm yếu duy nhất còn lại: toàn bộ 6/200 trường sai đều là trường này, và cả 6 ticket đều chứa cụm "Khi nào tiện". Ba trường còn lại đúng 100 % trên 50 mẫu.
Huấn luyện trên corpus tổng hợp có kiểm soát (250 ticket), không phải log CSKH thật.
valid_trace_rate = 0.00 — model không còn sinh khối <think>.

Artefact kèm theo

results/ — toàn bộ số liệu thô: mask_proof.json, baselines_frozen.json, runs.csv, verdict.json, autopsy.json, qualitative.json, template_check.json, token_stats.json
submission/REPORT.md — báo cáo đánh giá đầy đủ 7 mục

Available on FriendliAI

Dedicated Endpoints

Run this model inference on single tenant GPU with unmatched speed and reliability at scale.

Learn more

Model Details

Model Provider

thbhybhybyhb

Model Tree

Base

unsloth/Qwen3.5-4B

Adapter

this model

Input Modalities

TextImageVideo

Output Modalities

Text

Supported Functionality