---
title: TCMTox-QA-Qwen3.5-9B-lora
canonical_url: "https://www.modelscope.cn/models/Venture/TCMTox-QA-Qwen3.5-9B-lora"
md_url: "https://www.modelscope.cn/models/Venture/TCMTox-QA-Qwen3.5-9B-lora.md"
repository: Venture/TCMTox-QA-Qwen3.5-9B-lora
last_updated: 2026-11-06
parameters: 86.6M
tensor_type:
  - F32
library_name:
  - safetensors
downloads: 4
stars: 0
---

# TCMTox-QA-Qwen3.5-9B-lora

> TCMTox-QA-Qwen3.5-9B-lora - Venture 在 ModelScope 开源的模型。TCMTox-QA-Qwen3.5-9B · 毒性中药垂直问答模型

- **Repository**: Venture/TCMTox-QA-Qwen3.5-9B-lora
- **Parameters**: 86.6M
- **Downloads**: 4
- **Stars**: 0
- **Last updated**: 2026-11-06

Source: https://www.modelscope.cn/models/Venture/TCMTox-QA-Qwen3.5-9B-lora

---

# TCMTox-QA-Qwen3.5-9B · 毒性中药垂直问答模型

![License](https://img.shields.io/badge/License-Apache_2.0-blue) ![Base](https://img.shields.io/badge/Base-Qwen3.5--9B-purple)

基于 Qwen3.5-9B 微调的**毒性中药垂直问答模型**：毒性分级、药典安全用药、
方剂毒性分析、剂量保守回答、拒答与边界声明，八项自建评测 7 过 1 未达。

- 基座：[Qwen/Qwen3.5-9B](https://modelscope.cn/models/Qwen/Qwen3.5-9B)（Apache-2.0）
- 方法：bf16 LoRA（rank 32，全线性层），3 epochs，单卡 49 分钟
- 训练数据：TCMToxQA-SFT 6,234 条（7 类任务，实体分组切分零泄漏）

## 评测结果（自建 test 集 393 条，greedy 解码）

| 指标 | 基线 Qwen3.5-9B | 本模型 |
|---|---|---|
| 分级准确率（药典校正口径） | 4.8% | **90.5%** |
| 毒性误标率（无毒药判有毒）⚠ | 60.0% | **2.5%** |
| T6 拒答正确率（库外/边界问题） | 47.6% | **97.6%** |
| 误拒率 | 0% | 4.8% |
| T5 保守性（剂量问题不下断言） | 22.2% | **100%** |
| think 泄漏率 | 100% | **0%** |
| 冲突 17 味准确率 | 0% | **85.7%** |
| 开放式字符 F1 | 0.105 | **0.801** |
| SMILES/CAS 精确匹配 | 0% | ~6% / 0%（需 RAG，见限制） |

九项验收 8 过 1 未达；唯一未达项（化学标识符精确复现）为检索问题，建议配合
向量检索使用。

## 快速使用

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "<你的命名空间>/TCMTox-QA-Qwen3.5-9B"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="bfloat16", device_map="auto")

messages = [{"role": "user", "content": "川乌的毒性分级是什么？"}]
text = tok.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
inputs = tok(text, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512, do_sample=False)
print(tok.decode(out[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))
```

> `enable_thinking=False` 与训练格式对齐（模型以无思考模式训练）。
> vLLM：`llm.chat(messages, sampling_params, chat_template_kwargs={"enable_thinking": False})`

## 训练数据

[TCMToxQA-SFT 数据集](<数据集仓库链接>) —— 6,234 条指令数据，覆盖 7 类任务：
单药毒性问答 / 药典安全用药 / 方剂毒性分析 / 靶点与成分事实 / 剂量保守对比 /
拒答与边界训练 / 反向检索。

## 数据与口径说明

- 知识口径：**TCMToxDB（山东大学毒性中药数据库）+《中国药典》2020 年版**
  - 毒性分级以《中国药典》2020 年版为权威（17 处库内标注冲突已按药典校正）
  - 库内收录但药典未列分级的药材（如甘草、川芎），模型回答"无分级记录"而非真实毒性判断
- 训练中显式包含拒答与边界任务（库外药材、缺失数据、医疗建议类问题）
- **本模型为研究用途的知识问答工具，不构成医疗建议，不可用于患者诊疗决策**

## 已知限制

1. 化学标识符（SMILES/CAS）精确复现能力弱（训练未包含测试实体，属检索问题）
2. 知识截止于 TCMToxDB 数据快照与药典 2020 版
3. 存在轻度误拒（4.8%）：个别应回答的问题可能被保守拒答
4. 训练/推理均使用无思考模式；未验证思考模式下的表现

## 引用

如本模型对您的研究有帮助，欢迎引用数据集并注明来源：

```bibtex
@misc{tcmtoxqa2026,
  title  = {TCMToxQA: A Safety-Aligned Instruction Dataset for Toxic Medicinal Herb QA},
  author = {unluckynike},
  year   = {2026},
  url    = {<数据集仓库链接>}
}
```

数据来源致谢：TCMToxDB（山东大学毒性中药数据库）、PSM 药盾公益《2020 版药典
83 种有毒性的中药》整理资料。本仓库发布遵循原数据库许可，如有异议请联系下架。
