# data-training

**Repository Path**: Uni-Create-Link/data-training

## Basic Information

- **Project Name**: data-training
- **Description**: synsight模型训练源码
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-22
- **Last Updated**: 2026-09-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# SynSight 模型训练侧归档（MODEL_RELATE）

高校内容风险分析平台 SynSight 的 M1~M5 五个模型的训练代码、标注/训练数据、prompt模板与schema文档归档。本仓库是训练侧的**代码与数据归档**，不含模型权重二进制（GGUF/pt等，体积以GB计，不适合进Git），也不是可独立运行的工程——推理侧消费这些模型产出的代码在另一个仓库（`new-clone`/SynSight主仓库的`pyservice/`）。

## 现状

M1~M5 全部训练完成并已交付给推理侧使用，当前不再有主动开发计划，只在推理侧发现bug需要溯源到训练数据/训练脚本时才会回来动。

## 模型编号对照

| 编号 | 模型 | 任务 |
|---|---|---|
| M1 | WhisperLoRAModel（whisper-small + LoRA） | ASR转写 + 情绪分类/强度回归 |
| M2 | FrozenPannsAudioEventClassifier（PANNs Cnn14冻结backbone） | 音频事件分类 + 强度回归 |
| M3 | FrozenClipSceneClassifier（CLIP ViT-B/32冻结backbone） | 场景分类 + 性别/年龄 |
| M4 | SynSightFusionModel（融合Transformer） | 多模态融合，产出风险等级等7个分类头 |
| M5 | Qwen2.5-7B（LoRA蒸馏微调） | 基于M1-M4结构化结果生成自然语言说明，不参与风险判定 |

## 目录说明

- `scripts/` —— M1-M4训练/推理脚本（`models.py`模型结构定义、`train_fusion.py`等训练入口、`infer_pipeline.py`推理入口），来自AutoDL训练机真机现场拉取
- `data-training/` —— M1-M4的标签空间定义（`label_maps.json`）与train/val/test数据集清单
- `training_m5/` —— M5各阶段（overview/evidence/window/audio_desc/subtopic）LoRA蒸馏训练数据
- `prompts/` —— M5各阶段调用的prompt模板，与`scripts/m5_prompt_render.py`同源
- `docs/` —— 字段对照表、推理输出schema、训练输入schema、标注实施规格等设计文档（`01`~`12`号文档）

## 关键结论备查（回答"风险等级怎么算出来的"这类问题）

- risk_level是M4融合模型一个训练好的分类头输出（4分类：none/low/medium/high），走标准的 特征融合→全连接层→softmax→argmax 流程，权重由`train_fusion.py`中的交叉熵损失反向传播训练得到，不是规则引擎。
- 唯一一处对risk_level做后处理改写的规则：`campus_relevance`（M4自己另一个训练出的分类头判断的涉校相关性）为`indirect`/`none`时，给risk_level设上限（分别不超过medium/low），是输出一致性约束，不是替代模型判断。
- M4对video/audio特征是独立重新提取（不复用M2/M3的分类结果），只有text特征复用了M1的ASR转写文本内容；M1/M2/M3的时间点被用于M4的时间窗口切分。