为了助力春招，训练营迎来核弹级更新，我将手把手带大家实战一个真实企业级项目，此外也增加了多模态专题【面试常考】。准备秋招的小伙伴们，卷起来吧！

最近 Qwen 又有大动作，发布 Qwen3 Embedding 系列模型，而且 MTEB 排行榜上获取多个第一，最重要的还是模型全系列开源。

不得不说 Qwen 可能已经完成 rag（Retrieval-Augmented Generation）技术栈的大一统了。

以后 Retrieval 部分：

• 语义召回可以使用 Qwen3 Embeding

• 召回排序可以使用 Qwen3 Reranking

Generation 部分：

• 问答生成可以使用 Qwen3 Chat

真香啊，接下来笔者会简单介绍一下 Qwen3 Embedding 系列模型，同时实战将 Qwen3 Embeding 的向量模型采用 lora 的方式微调成一个领域 Embeding 模型，让模型在这个领域的语义搜索性能进一步提升。

其中涉及到：

• 难负样本的挖掘的方案

• infoNCEloss 的原理

• ms-swift 微调 Qwen3 Embedding 的实战

01  Qwen3 Embedding 系列模型

主要有两个系列，一个 embedding 模型系列，一个 Reranking 模型系列。

Embeding 模型：以单个文本片段作为输入，通过利用与最终[结束符]（[EOS]）标记对应的隐藏状态向量来提取语义表示。

Reranking 模型：文本对（例如用户查询与候选文档）作为输入，抽取最后一层的，yes 和 no 这两个 token 的 logit 取 log_softmax 后，取 yes 所在位置的分数作为 score。

token_false_id = tokenizer.convert_tokens_to_ids("no")token_true_id = tokenizer.convert_tokens_to_ids("yes")def compute_logits(inputs, **kwargs):    batch_scores = model(**inputs).logits[:, -1, :]    true_vector = batch_scores[:, token_true_id]    false_vector = batch_scores[:, token_false_id]    batch_scores = torch.stack([false_vector, true_vector], dim=1)    batch_scores = torch.nn.functional.log_softmax(batch_scores, dim=1)    scores = batch_scores[:, 1].exp().tolist()    return scores

qwen3 embeding 和 reranking

02  训练方法

三阶段分层训练机制：

• 对比预训练阶段：使用海量弱监督数据打底，增强模型泛化能力

• 精调阶段：采用高质量标注数据进行监督训练，提升任务适配性

• 模型融合阶段：通过集成策略合并多个候选模型，实现性能突破

下面废话不多说，实战微调 Qwen3-Embedding-0.6B，将这个通用的 embedding 模型变成一个农林牧渔领域垂域的 embedding 模型。

03  Lora 微调 Qwen3 Embedding 模型实战

（1）负样本和 loss

负样本的构建

我们都知道，训练模型数据最重要，其中这种 embedding 和 reranker 模型，负样本的构建算是重中之重。

这里笔者用 sentence_transformer 库中自带的 mine_hard_negatives 挖掘负样本，调整参数挑选出那些相似但不相关的样本。

数据来自这：农林牧渔中文问答数据

https://huggingface.co/datasets/Mxode/Chinese-QA-Agriculture_Forestry_Animal_Husbandry_Fishery

主要采用下方流程：

相似度计算和候选生成：通过恶 embedding 模型或者 reranker 模型，计算查询与语料库的相似度，获取 top-k 最相似的候选。

负样本的挑选：排除正例，应用各种筛选条件对负样本进行挑选：

• absolute_margin：绝对相似度差异阈值

• relative_margin：相对相似度比例阈值

• max_score/min_score：相似度分数阈值

可以根据向量模型或者 reranker 的输出值去动态调整这些参数，挑选出合适的负样本。

from datasets import load_datasetfrom sentence_transformers import SentenceTransformerfrom sentence_transformers.util import mine_hard_negativesdataset = load_dataset("parquet", data_files="/mnt/d/wsl/work/jupyter/data_hub/Chinese-QA-Agriculture/Chinese-QA-AFAF-train-v2.parquet")split_dataset = dataset["train"].train_test_split(test_size=0.95, seed=42)# 输出划分后的数据集信息print("划分后的数据集:", split_dataset)print(f"训练集大小: {len(split_dataset['train'])}")print(f"测试集大小: {len(split_dataset['test'])}")# 加载小的embeding模型embedding_model = SentenceTransformer("/mnt/d/wsl/work/jupyter/model_hub/m3e-small")train_dataset = split_dataset['train']#挖掘难负样本hard_train_dataset = mine_hard_negatives(    train_dataset,    embedding_model,    anchor_column_name="prompt",    positive_column_name="response",    num_negatives=5,  # How many negatives per question-answer pair    range_min=20,  # Skip the x most similar samples    range_max=50,  # Consider only the x most similar samples    max_score=0.8,  # Only consider samples with a similarity score of at most x    absolute_margin=0.1,  # Similarity between query and negative samples should be x lower than query-positive similarity    sampling_strategy="top",  # Randomly sample negatives from the range    batch_size=64,  # Use a batch size of 4096 for the embedding model    output_format="labeled-list",      use_faiss=True,  # Using FAISS is recommended to keep memory usage low (pip install faiss-gpu or pip install faiss-cpu))def convert_format(example):    # 获取正确答案和被拒绝的答案    correct_response = next(resp for resp, label in zip(example['response'], example['labels']) if label == 1)    rejected_responses = [resp for resp, label in zip(example['response'], example['labels']) if label == 0]    return {        "query": example['prompt'],        "response": correct_response,        "rejected_response": rejected_responses    }# 数据格式转换transformed_dataset = hard_train_dataset.map(convert_format, remove_columns=hard_train_dataset.column_names)transformed_dataset.to_json("./data_hub/qwen3_emb.json",force_ascii=False)

最终统计结果

负样本和正样本在 m3e 这个模型的平均相似度是 0.87 和 0.75。

可以看一条筛选出来的样本：确实很多样本和 query 很相似，但是不相关。​​​​​​​

{'response': '绿色环境可以帮助老年人放松紧张的中枢神经，改善和调节身体功能，降低皮肤温度，减少脉搏和呼吸频率，保持血压稳定，减轻心脏负担，提供精神舒适感。这对于冠心病、高血压患者以及身体机能退化的老年人尤为有益。', 'query': '绿色对老年人有哪些健康益处？', 'rejected_response': ['绿茶的主要功效是预防癌症和心血管疾病，还能抗氧化，提高免疫力，抑制和杀灭细菌等；白茶的主要功效有保护脑神经，增强记忆，减少焦虑等。',  '绿茶水洗脸可以防止肌肤衰老，抗辐射，尤其适合长期用电脑的女性，可抑制皮肤色素沉着，减少过敏反应的发生。',  '绿色食物代表有花椰菜，菠菜，芦笋。它们具有超强的减肥功效，每杯绿果蔬的热量还不到50千卡，适合于大量食用；它们含有的抗氧化剂具有延长寿命的功效。',  '生态养殖可以改善肉、蛋、奶品质，能生产出天然绿色食品。',  '绿水对锦鲤有发色和提供营养的作用，还能对锦鲤有一定的康复作用。锦鲤在游动时可能会遇到小的擦伤，将鱼放在绿水中进行调养可以促进康复。']}

（2）InfoNCE Loss

loss 采用的是带有负样本的 InfoNCE Loss：

其中：

• q 是 query 的 embedding；

• r+ 是对应正样本的 embedding，r- 是对应负样本的 embedding；

• sim 是点积（或 cosine）

这个 loss 惩罚 query 跟负样本更相似的情况，鼓励 query 跟正样本相似度更高。

04  训练实战

数据格式如下：response 为正样本，rejected_response 为负样本。​​​​​​​

{'response': '绿色环境可以帮助老年人放松紧张的中枢神经，改善和调节身体功能，降低皮肤温度，减少脉搏和呼吸频率，保持血压稳定，减轻心脏负担，提供精神舒适感。这对于冠心病、高血压患者以及身体机能退化的老年人尤为有益。', 'query': '绿色对老年人有哪些健康益处？', 'rejected_response': ['绿茶的主要功效是预防癌症和心血管疾病，还能抗氧化，提高免疫力，抑制和杀灭细菌等；白茶的主要功效有保护脑神经，增强记忆，减少焦虑等。',  '绿茶水洗脸可以防止肌肤衰老，抗辐射，尤其适合长期用电脑的女性，可抑制皮肤色素沉着，减少过敏反应的发生。',  '绿色食物代表有花椰菜，菠菜，芦笋。它们具有超强的减肥功效，每杯绿果蔬的热量还不到50千卡，适合于大量食用；它们含有的抗氧化剂具有延长寿命的功效。',  '生态养殖可以改善肉、蛋、奶品质，能生产出天然绿色食品。',  '绿水对锦鲤有发色和提供营养的作用，还能对锦鲤有一定的康复作用。锦鲤在游动时可能会遇到小的擦伤，将鱼放在绿水中进行调养可以促进康复。']}

训练脚本

比较重要的三个参数：

• --task_type embedding

• --model_type qwen3_emb

• --loss_type infonce

INFONCE_MASK_FAKE_NEGATIVE=trueswift sft \    --model /mnt/d/wsl/work/jupyter/model_hub/Qwen3-Embedding-0.6B \    --task_type embedding \    --model_type qwen3_emb \    --train_type lora \    --dataset /mnt/d/wsl/work/jupyter/data_hub/qwen3_emb.json \    --split_dataset_ratio 0.05 \    --eval_strategy steps \    --output_dir output \    --eval_steps 100 \    --num_train_epochs 1 \    --save_steps 100 \    --per_device_train_batch_size 4 \    --per_device_eval_batch_size 4 \    --gradient_accumulation_steps 4 \    --learning_rate 6e-6 \    --loss_type infonce \    --label_names labels \    --dataloader_drop_last true

训练结果

采用最新的 ms-swift 的版本，训练脚本如下，可以看到 loss 在下降，而且正负样例的 margin 从 0.20 上升到 0.235。

其中 margin = sim(q,r+) - sim(q,r-) ，可以看到模型对正负样本的区分能力显著变强。

eval_loss

eval_margin

eval_neg

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】