Структура Датасета

 AI Fine Tuning Qwen2.5

Структура датасета и готовый код для fine-tuning Qwen2.5 под задачу анализа таблиц маршрутизации. Основной подход — синтетическая генерация данных и обучение с Chain-of-Thought (CoT), что доказало свою эффективность для сетевых задач

Структура обучающего датасета

Формат данных должен имитировать реальный диалог с моделью, где на вход подается таблица и вопрос, а на выходе — рассуждение (CoT) и ответ.

JSON

{

  "messages": [

    {

      "role": "system",

      "content": "You are a network routing expert. Analyze the routing table, detect issues, and provide step-by-step reasoning."

    },

    {

      "role": "user",

      "content": "Routing table:\n<show ip route output>\n\nQuestion: Does this routing table contain a routing loop or summarization error?"

    },

    {

      "role": "assistant",

      "content": "<reasoning>\n1. I will examine the routing table for duplicate routes with equal metrics.\n2. I will check for overlapping networks that indicate poor summarization.\n3. [Step-by-step analysis of the specific table]\n</reasoning>\n<answer>\nYes, a potential routing loop exists between ...\n</answer>"

    }

  ]

}

Рекомендации по созданию данных:

Синтетическая генерация: Используйте LLM (DeepSeek-R1, Qwen 2.5 72B) для генерации разнообразных примеров таблиц маршрутизации с различными ошибками . Генерация должна быть целевой: вы создаете запросы, в которых указываете, какие ошибки должна содержать таблица (петли, неверная суммаризация).

Структуризация: Используйте инструменты вроде promptwright для масштабной генерации на основе графа тем .

Баланс: Обеспечьте разнообразие примеров: "здоровые" таблицы, таблицы с петлями, ошибками суммаризации, проблемами next-hop и т.д.

AI Fine Tuning Qwen2.5