进一步，发现使用finetune.py同参数训练的lora加到模型中，结果与未训练的llama模型结果完全一致 这是否合理

如题，在使用games数据集 ，将sample设置为len(sequential_train) 的情况下 训练 + 使用训练后的lora获取predict 再通过evaluate计算dist排序 得到的ndcg以及RECALL水平均只有0.00的水平 无法达到论文中full的效果。是否还需要修改超参数或者进行其他操作呢。

这可能和加载的backend llama模型以及lora adapter的ckpt有关。

1. 首先确保一下backend llama使用的是meta官方release出来的模型，我们也分享在了google drive供使用者下载。
2. 另外一个可能的原因是peft版本的问题，导致训练好的lora adapter实际并没有保存下来，详见issue。

如题，在使用games数据集 ，将sample设置为len(sequential_train) 的情况下 训练 + 使用训练后的lora获取predict 再通过evaluate计算dist排序 得到的ndcg以及RECALL水平均只有0.00的水平 无法达到论文中full的效果。是否还需要修改超参数或者进行其他操作呢。

这可能和加载的backend llama模型以及lora adapter的ckpt有关。

1. 首先确保一下backend llama使用的是meta官方release出来的模型，我们也分享在了google drive供使用者下载。
2. 另外一个可能的原因是peft版本的问题，导致训练好的lora adapter实际并没有保存下来，详见issue。
   你好 这里我peft的版本也进行了多次修改 并且下载了你的lora adapter 但是测试时，是否finetune的结果仍然相同 我使用的basemodel为llama-7b-hf 并且调用peft模型的方式如下 是否存在其他问题。

加载模型

model0 = LlamaForCausalLM.from_pretrained(
base_model,
load_in_8bit=load_8bit,
torch_dtype=torch.float16,
device_map=device_map,
)

应用LoRA微调

model = PeftModel.from_pretrained(
model0,
lora_weights,
)

model = model.merge_and_unload()

如题，在使用games数据集 ，将sample设置为len(sequential_train) 的情况下 训练 + 使用训练后的lora获取predict 再通过evaluate计算dist排序 得到的ndcg以及RECALL水平均只有0.00的水平 无法达到论文中full的效果。是否还需要修改超参数或者进行其他操作呢。

这可能和加载的backend llama模型以及lora adapter的ckpt有关。

1. 首先确保一下backend llama使用的是meta官方release出来的模型，我们也分享在了google drive供使用者下载。
2. 另外一个可能的原因是peft版本的问题，导致训练好的lora adapter实际并没有保存下来，详见issue。

你好 这里我使用你的模型 以及Lora 进行inference 和 evaluate 为什么结果仍然较低