---
title: Qwen2.5-0.5B-Instruct-EdusynLLM
canonical_url: "https://www.modelscope.cn/models/FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM"
md_url: "https://www.modelscope.cn/models/FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM.md"
repository: FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM
chinese_name: "方式教研协创垂类大模型"
last_updated: 2026-04-23
license: "Apache License 2.0"
base_model:
  - Qwen/Qwen2.5-0.5B
  - Qwen/Qwen2.5-0.5B-Instruct
base_model_relation: finetune
library_name:
  - gguf
language:
  - zh
downloads: 30
stars: 0
---

# Qwen2.5-0.5B-Instruct-EdusynLLM

> Qwen2.5-0.5B-Instruct-EdusynLLM - FSYW 在 ModelScope 开源的模型。本模型是依据教研协创垂类场景需求，专为教师、学生、科研及应用工作者设计的轻量级大语言模型，基于通义千问 Qwen2.5-0.5B 进行 LoRA 微调而成，旨在提升教学与科研业务工作的效率与质量。

FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM 是 ModelScope 魔搭社区上的机器学习模型，采用 Apache License 2.0 许可，基于 Qwen/Qwen2.5-0.5B、Qwen/Qwen2.5-0.5B-Instruct 构建。

- **Repository**: FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM
- **License**: Apache License 2.0
- **Base model**: Qwen/Qwen2.5-0.5B, Qwen/Qwen2.5-0.5B-Instruct
- **Downloads**: 30
- **Stars**: 0
- **Last updated**: 2026-04-23

Source: https://www.modelscope.cn/models/FSYW/Qwen2.5-0.5B-Instruct-EdusynLLM

---

# 教学助手 LoRA 模型

## 一、模型概述

| 项目 | 信息 |
|------|------|
| **模型名称** | Qwen2.5-0.5B-Instruct-EdusynLLM |
| **基础模型** | Qwen/Qwen2.5-0.5B-Instruct |
| **微调方法** | LoRA (Low-Rank Adaptation) |
| **训练时间** | 2026-04-16 |
| **量化格式** | GGUF Q4_K_M |
| **部署平台** | Ollama |
| **模型大小** | ~400MB |

## 二、模型介绍

本模型是依据教研协创垂类场景需求，专为教师、学生、科研及应用工作者设计的轻量级大语言模型，基于通义千问 Qwen2.5-0.5B 进行 LoRA 微调而成，旨在提升教学与科研业务工作的效率与质量。

- 📚 **教学方案设计**：根据课程内容生成结构化教学计划

## 三、模型训练

### 3.1 训练配置

```json
{
  "base_model": "Qwen/Qwen2.5-0.5B-Instruct",
  "lora_r": 64,
  "lora_alpha": 16,
  "num_train_epochs": 3,
  "learning_rate": 0.0002
}
```

### 3.2 训练流程

1. 加载 Qwen2.5-0.5B-Instruct 基础模型
2. 添加 LoRA 适配器层（rank=64, alpha=16）
3. 使用教学场景数据进行 3 轮微调
4. 保存 LoRA 权重到 `final_model/`

### 3.3 模型合并

使用 `merge_lora.py` 将训练好的 LoRA 权重合并到基础模型：

```python
# 合并后的模型保存在 merged_model/ 目录
merged_model = model.merge_and_unload()
```

## 四、模型推理

### 4.1 Ollama 部署

```bash
# 创建模型
ollama create teaching-assistant -f Modelfile

# 运行模型
ollama run teaching-assistant
```

### 4.2 推理参数

| 参数 | 值 | 说明 |
|------|-----|------|
| temperature | 0.7 | 控制输出随机性 |
| top_p | 0.9 | 核采样概率 |
| repeat_penalty | 1.1 | 避免重复输出 |
| num_ctx | 4096 | 上下文长度 |

### 4.3 使用示例

```bash
ollama run teaching-assistant "请设计Mysql的教学课程设计"
```

## 五、模型效果

### 5.1 性能特点

- ✅ **轻量高效**：0.5B 参数量，量化后仅 400MB
- ✅ **响应迅速**：本地部署，低延迟推理
- ✅ **场景适配**：针对教育场景专项优化
- ✅ **隐私安全**：本地运行，数据不上传

### 5.2 适用场景

- 个人电脑本地部署
- 离线环境使用
- 教学辅助工具集成
- 快速原型验证

## 六、文件说明

| 文件 | 说明 |
|------|------|
| `qwen_lora_q4_k_m.gguf` | GGUF 格式量化模型文件 |
| `Modelfile` | Ollama 模型配置文件 |
| `deploy.sh` | 一键部署脚本 |
| `convert_to_gguf.sh` | GGUF 格式转换脚本 |
| `merge_lora.py` | LoRA 模型合并脚本 |