Orders placed before 2 pm ship the same day. Standard shipping takes 3 business days. Returns are accepted within 30 days of delivery.How many days after delivery can an item be returned?
使用上手包中的已训练程序。示例展示实际输出，回答自己的材料时请与原文核对。
先拿到答案的短路径
上手包包含已训练中英文 Formula 推理程序、分词器和 CPU 脚本。先运行它，无须下载训练数据或创建 GPU 环境。
ZIP 为 5.2 MB。第一次运行另需下载固定的约 1.2 GB Qwen 基座与 Python 依赖。后续运行复用已经下载的模型文件。
CPU 示例使用自编材料，与 benchmark 评分分别记录。这个小模型可能误读材料，需要将答案与原文核对。
01 / 要做什么
从一个文档助手的基本任务开始：给模型一段英文材料和一个问题，让它直接返回材料里的简短答案。
这个案例使用 ARTI 公开的 Formula adapter 配置；评测范围未覆盖架构搜索或前向可塑性。
02 / 可选：重新训练配置
下面的 GPU 步骤复现训练配置和比较，与上方 CPU 上手分别进行。
将上面的 Python 文件和依赖文件下载到同一目录。训练需要 CUDA GPU 和兼容的 PyTorch 安装。依赖文件固定了复现脚本使用的软件版本。
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install torch==2.11.0 --index-url https://download.pytorch.org/whl/cu128
.\.venv\Scripts\python.exe -m pip install -r reading-requirements.txt后面的训练与预测命令，会自动使用所选环境的解释器路径，不需要激活环境。
脚本下载固定的公开模型和作者托管数据，保留原始 ID，并构建这里使用的 512 / 128 / 256 训练、验证、留出切片。不静默截断材料或答案。
.\.venv\Scripts\python.exe reading_qa.py prepare --work reading-qa-work
.\.venv\Scripts\python.exe reading_qa.py run --work reading-qa-work --language squad --method arti --seed 17第一次准备会下载约 1.2 GB 模型权重，以及分词器和数据。它们保存在 reading-qa-work，后续复用。训练 200 次更新，批量 8；不使用留出集选择检查点。
可下载脚本内部使用原生 recipe。如果你已有 chat JSONL 数据，可以直接从它的配置开始。
from pathlib import Path
from huggingface_hub import snapshot_download
from transformers import AutoTokenizer
from arti.language_recipe import CausalLMRecipe
from reading_qa import BASE, REVISION, config, load_base
work = Path("reading-qa-work").resolve()
base = snapshot_download(BASE, revision=REVISION,
cache_dir=work / "hub-cache", local_files_only=True)
settings = config(work, "squad", 17, work / "my-native-run")
recipe = CausalLMRecipe(settings, model=load_base(base),
tokenizer=AutoTokenizer.from_pretrained(base))
print(recipe.plan())
result = recipe.fit()
print(result["model"])03 / 真实回答
固定相同基座和参数预算。结果来自实际贪心生成答案，使用对应数据集的官方评分规则。
EM 按任务规则完全匹配的答案比例。 F1 预测与参考答案的词语 / 字符重合得分。
可学习值 · 0
可学习值 · 131,072
可学习值 · 131,072
可学习值 · 131,072
| 公式 / 实现 | 参数 | EM ↑ | F1 ↑ |
|---|---|---|---|
| 固定基座单次固定基座 | 0 | 55.08— | 62.56— |
| SiLU 残差 · PyTorch3 个随机种子 | 131,072 | 55.60± 0.81 | 62.43± 0.54 |
| LoRA · PEFT3 个随机种子 | 131,072 | 56.77± 1.85 | 64.22± 1.50 |
| SiLU 残差 · ARTI3 个随机种子 | 131,072 | 55.60± 0.81 | 62.43± 0.54 |
EM / F1 为百分数；适配方案报告种子 17、29、43 的均值和样本标准差，固定基座测量一次。这是固定公开 dev 切片，不是官方隐藏测试榜成绩。
这个案例选择最后两层 MLP 后的 SiLU 残差程序。PEFT 行使用 value projection 上的标准 LoRA。两者公式和挂载位置不同；分数比较的是所选配置，不是框架的表达能力。
LoRA 本身就可以是 Formula。要比较实现，必须对齐公式、A/B 权重、挂载、缩放和精度。同公式核对先完成这一步，再讨论更广的程序组合。
本案例保存的非线性程序保留声明与数值。两种语言的独立重载共复现 512 个留出答案；三次更新的续训对照保留相同参数与数据游标。
Kenya has proven deposits of oil in Turkana and the commercial viability was just discovered. Tullow Oil estimates Kenya's oil reserves to be around 10 billion barrels. Exploration is still continuing to determine if there are more reserves. Kenya currently imports all crude petroleum requirements. Kenya, east Africa's largest economy, has no strategic reserves and relies solely on oil marketers' 21-day oil reserves required under industry regulations. Petroleum accounts for 20% to 25% of the national import bill.How many barrels of oil is it estimated Kenya has?
10 billion
10 billion
10 billion
10 billion
固定顺序的第一个问题，种子 17；没有按效果选取例子。 SQuAD 1.1 · CC BY-SA 4.0 · 57291f153f37b31900478044
04 / 你的材料
在 CPU 上手包中运行交互命令，粘贴一段短材料。继续提问，不必再次加载模型。
打开对应平台的完整交互命令 →创建 questions.jsonl，每行一个完整 ID、材料和问题对象。这条路径使用可选 GPU 步骤生成的资产。
{"id":"my-question-001","context":"The library opens at 9 am on weekdays. On Saturday it opens at 10 am. It is closed on Sunday.","question":"When does the library open on Saturday?"}.\.venv\Scripts\python.exe reading_predict.py --work reading-qa-work --asset reading-qa-work/squad/arti-17/native-run/model --language en --input questions.jsonl --output answers.jsonl