Update README.md

README.md

@@ -9,12 +9,12 @@ library_name: peft
 
 ### Model Description
 
-`xm-phi-stfRL` 是由 [XMindAI](https://www.xmindai.cn/) 基于微软开源模型 `Phi-4` 微调的大语言模型，采用 `PEFT`（参数高效微调）技术，通过强化学习在医疗领域进行优化。该模型在医学问答、医学文本生成与信息抽取等任务中表现出色，适合医学领域的下游任务应用。
+`xm-phi-stfRL` 是由 [XMindAI](https://www.xmindai.cn/) 基于微软开源模型 `Phi-4` 微调的大语言模型，采用 `PEFT`（参数高效微调）技术和强化学习优化（RLHF）。该模型在通用任务场景下表现出色，适用于文本生成、问答、情感分析等任务。通过高效参数微调技术，显著提升模型性能，同时降低计算资源消耗。
 
 - **开发团队:** XMindAI
 - **资助方:** XMindAI 内部研发
-- **模型类型:** 医疗领域强化学习优化模型
-- **语言:** 中文
+- **模型类型:** 强化学习优化版语言模型
+- **语言:** 中文、英文
 - **许可证:** Apache 2.0
 - **微调自:** `microsoft/Phi-4`
 
@@ -27,40 +27,42 @@ library_name: peft
 
 ### 直接使用
 
-- **医学问答**：针对医学专业领域的问题进行回答，如疾病诊断、治疗方案、药物作用等。
-- **医学文本生成**：生成医疗报告、医学知识科普等内容。
-- **医学信息抽取**：从临床记录、医学文献中提取关键信息。
-- **情感分析**：针对医疗评论、患者反馈等文本进行情感分类。
+- **文本生成**：自动生成文章、报告、摘要或创作故事。
+- **问答系统**：支持开放领域问答与信息检索。
+- **情感分析**：对评论、社交媒体文本等进行情感分类。
+- **对话生成**：生成多轮对话，适合客服、聊天机器人等场景。
+- **通用任务**：摘要、改写、翻译、信息提取等。
 
 ### 下游应用
 
-- 医疗智能问答助手
-- 医疗报告生成与摘要
-- 临床数据分析与医学信息提取
+- 智能客服与自动问答
+- 文本创作与生成
+- 通用领域的自然语言处理（NLP）任务
+- 文档摘要与信息提取
 
 ### 不适合的应用场景
 
-- 非医学领域的通用任务（如金融、法律等）
-- 高风险决策任务（如自动化诊断或治疗建议），需由专业人士审核
-- 涉及患者隐私或敏感医疗数据的场景
+- 高风险决策（如医学诊断或法律咨询）——需由专业人士审核
+- 涉及敏感信息或隐私数据的生成任务
+- 对事实性要求极高的场景，如新闻报道或法律分析
 
 ## 偏见、风险和局限性
 
 ### 已知局限性
 
-- **专业性偏差**：模型在部分医学细分领域（如罕见病或新药研究）表现可能欠佳。
-- **事实性限制**：生成内容可能包含医学事实性错误。
-- **长文本生成效果下降**：在超过 4k tokens 的医学文本生成中，生成质量可能下降。
+- **事实性偏差**：模型可能生成与事实不符的内容。
+- **专业性限制**：在医学、法律等专业领域，模型表现可能不如专用模型。
+- **长文本生成效果下降**：对超过 4k tokens 的长文本，生成质量可能下降。
 
 ### 推荐措施
 
-- 将模型输出作为辅助参考，由医学专家审核。
-- 避免将模型应用于自动化诊断或治疗决策。
-- 谨慎处理涉及患者隐私的数据，确保合规性。
+- 将模型输出视为辅助参考，而非权威答案。
+- 在高风险或专业领域使用时，需由相关专家进行审核。
+- 避免模型应用于敏感或隐私数据生成。
 
 ## 使用示例
 
-使用该模型进行医学问答：
+使用该模型进行文本生成：
 
 ```python
 from transformers import AutoModelForCausalLM, AutoTokenizer
@@ -70,8 +72,8 @@ model_name = "xmindai/xm-phi-stfRL"
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")
 
-# 示例：医学问答
-text = "糖尿病患者如何控制血糖？"
+# 示例
+text = "请用中文介绍人工智能的应用场景。"
 inputs = tokenizer(text, return_tensors="pt").to("cuda")
 
 output = model.generate(**inputs, max_length=512, do_sample=True, top_p=0.9, temperature=0.7)
@@ -82,23 +84,14 @@ print(tokenizer.decode(output[0], skip_special_tokens=True))
 
 ### 训练数据
 
-- 数据集名称：[FreedomIntelligence/Medical-R1-Distill-Data-Chinese](https://huggingface.co/datasets/FreedomIntelligence/Medical-R1-Distill-Data-Chinese)
-- 数据集描述：
-    - 包含约 17000 条中文医学领域指令数据。
-    - 数据涵盖医学问答、病例描述、药物作用、诊断建议等。
-    - 数据来源：医学文献、公开医学问答平台、医学教材等。
-- 数据预处理：
-    - 去除重复与异常样本。
-    - 分句与文本规范化处理。
-    - 清洗敏感数据，确保不包含患者隐私信息。
+[Congliu/Chinese-DeepSeek-R1-Distill-data-110k-SFT](https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k-SFT)
 
-### 训练过程
-
-#### 数据增强与预处理
+- 数据量：110k 样本
+- 数据来源：包含中文领域的知识问答、文本生成、对话、多轮交互等数据。
+- 数据清洗：去除噪音数据、重复样本和无效样本。
+- 数据增强：采用数据重采样和 Few-shot 数据增强策略。
 
-- 数据清理：去除无效样本与非医学相关内容。
-- 数据增强：采用 Few-shot 数据增强策略，提升小样本生成能力。
-- 数据标注：标注医学领域标签，增强模型对医学专有名词的理解。
+### 训练过程
 
 #### 超参数
 
@@ -111,9 +104,9 @@ print(tokenizer.decode(output[0], skip_special_tokens=True))
 
 ### 结果摘要
 
-- 在医学问答任务上表现优异，生成答案准确且通顺。
-- 在医学文本生成任务上，能够生成高质量的医学报告与知识科普内容。
-- 在医学信息抽取任务上，能够有效识别医学实体与关键医学信息。
+- 在文本生成和问答任务上表现优异，生成内容流畅且准确。
+- 情感分析任务表现良好，能够准确判断文本情绪。
+- 在开放领域问答中展现出较强的推理能力。
 
 ## 环境影响
 
@@ -127,8 +120,8 @@ print(tokenizer.decode(output[0], skip_special_tokens=True))
 ### 模型架构与目标
 
 - 基于 `Phi-4` 模型架构，采用自回归生成方式。
-- 引入强化学习进行医学领域优化，提升生成质量与稳定性。
-- 支持中文医学任务，具备医学问答、文本生成与信息抽取能力。
+- 引入强化学习进行模型优化，提升生成质量与稳定性。
+- 支持中英文双语任务，具备多任务处理能力。
 
 ### 基础设施
 
@@ -140,9 +133,9 @@ print(tokenizer.decode(output[0], skip_special_tokens=True))
 
 #### 软件
 
-- **框架:** 🤗 Transformers, PEFT, PyTorch, unsloth
+- **框架:** 🤗 Transformers, PEFT, PyTorch
 
 ## 模型卡作者
 
 - **XMind 开发团队**
-- **联系信息:** [XMindAI](https://www.xmindai.cn/)
+- **联系信息:** [XMindAI](https://www.xmindai.cn/)