Evolution-Coder 完整系统

完整的Qwen2.5-Coder模型微调与评估系统

快速导航

• 项目特点
• 项目结构
• 快速开始
• 使用说明
• 模块化优点
• 详细文档

项目特点

• ✅ 模块化设计 - 代码从单个2000+行文件拆分为6个独立模块
• ✅ 易于维护 - 每个模块专注一个功能，便于修改和扩展
• ✅ 高度可测试 - 可单独测试每个模块
• ✅ 配置集中管理 - 所有配置在 src/config/settings.py 中
• ✅ 完整功能 - 模型加载、微调、评估、问答一体化
• ✅ Web界面 - 使用Gradio提供友好的Web UI

项目结构

Evolution_Coder/
├── src/                              # 源代码目录
│   ├── config/                      # 配置模块 (集中管理)
│   │   ├── __init__.py
│   │   └── settings.py              # API_CONFIG, DEFAULT_CONFIG
│   │
│   ├── utils/                       # 工具函数模块 (复用代码)
│   │   ├── logger.py                # 日志系统
│   │   ├── api_helper.py            # API调用
│   │   ├── code_tools.py            # 代码处理
│   │   └── qa_interface.py          # 问答接口
│   │
│   ├── models/                      # 模型加载模块
│   │   └── loader.py                # 模型加载逻辑
│   │
│   ├── training/                    # 训练模块
│   │   └── trainer.py               # 训练线程和逻辑
│   │
│   ├── evaluation/                  # 评估模块
│   │   └── evaluator.py             # 评估线程和逻辑
│   │
│   └── ui/                          # UI界面模块
│       └── interface.py             # Gradio界面
│
├── main.py                          # 主程序入口
├── PROJECT_STRUCTURE.md             # 详细文档
├── datasets/
├── models/
└── requirements.txt

快速开始

1. 环境要求

Python 3.8+
CUDA 11.0+ (可选，用于GPU加速)

2. 安装依赖

# 安装依赖
pip install -r requirements.txt

3. 运行程序

python main.py

然后访问 http://localhost:7860

模块说明

1. src/config/ - 配置模块

职责: 集中管理所有配置和常量

# settings.py
API_CONFIG = {
    "qwen_32b_api_url": "...",
    "api_key": "..."
}

DEFAULT_CONFIG = {
    "model_path": "./models/Qwen2.5-Coder-0.5B-Instruct",
    "num_epochs": 3,
    ...
}

优点:

• 修改配置无需改动其他文件
• 所有参数一目了然
• 易于版本管理

2. src/utils/ - 工具模块

职责: 提供可复用的工具函数

• logger.py - 日志系统 (log(), LogCollector)
• api_helper.py - API调用 (call_qwen_api(), validate_code_with_14b())
• code_tools.py - 代码处理 (check_code_syntax(), extract_function_name())
• qa_interface.py - 问答接口 (generate_code_with_local_model())

优点:

• 函数独立，可在其他项目中复用
• 测试隔离，易于编写单元测试
• 代码变更只需修改一处

3. src/models/ - 模型加载模块

职责: 管理模型加载和状态

• load_model_interface() - 加载模型
• get_model() - 获取模型实例
• is_model_loaded() - 检查加载状态

优点:

• 全局模型实例管理
• 易于扩展多模型支持

4. src/training/ - 训练模块

职责: 处理模型训练逻辑

• TrainingThread - 异步训练线程
• generate_mbpp_training_data() - 生成训练数据
• start_training_interface() - 训练界面

优点:

• 异步执行，不阻断UI
• 可独立测试训练流程

5. src/evaluation/ - 评估模块

职责: 模型评估和结果对比

• EvaluationThread - 异步评估线程
• get_comparison_results() - 获取对比结果

优点:

• 隔离评估逻辑
• 易于添加新的评估指标

6. src/ui/ - UI界面模块

职责: Gradio界面定义

• create_interface() - 创建完整UI
• update_system_info() - 更新系统信息

优点:

• UI和业务逻辑分离
• 易于更换UI框架

使用示例

生成代码

输入: "Write a function to add two numbers"
输出: 完整的Python函数代码

自我演化（自动微调）

输入: "自我演化"
执行流程:
  1. 读取MBPP数据集
  2. 调用API生成训练数据对
  3. 验证代码质量
  4. 微调模型
  5. 保存新模型

模型评估

对比原始模型和微调后模型的性能
显示通过率提升百分比

模块化优点详解

1. 可维护性

• 代码行数从2000+降至200-300行/文件
• 修改一个模块不影响其他模块
• 易于查找和定位问题

2. 可测试性

# 可单独测试logger模块
def test_logger():
    from src.utils import log, log_collector
    log("测试")
    assert len(log_collector.logs) > 0

# 可单独测试API模块
def test_api():
    from src.utils import call_qwen_api
    success, code = call_qwen_api(...)
    assert success == True

3. 可扩展性

# 添加新的模型只需修改 loader.py
# 添加新的评估指标只需修改 evaluator.py
# 添加新的UI只需修改 interface.py

4. 代码复用

# utils 中的工具函数可在其他项目中使用
# 不需要复制整个 code.py 文件

5. 团队协作

可以并行开发:
- A负责训练模块
- B负责评估模块
- C负责UI界面
- 基于接口协议，互不干扰

配置修改指南

修改模型路径

# src/config/settings.py
DEFAULT_CONFIG = {
    "model_path": "./my_models/my_qwen",  # 修改这里
    ...
}

修改训练参数

# src/config/settings.py
DEFAULT_CONFIG = {
    "learning_rate": 3e-4,  # 修改学习率
    "batch_size": 8,        # 修改批大小
    "num_epochs": 5,        # 修改轮数
}

修改API密钥

# src/config/settings.py
API_CONFIG = {
    "api_key": "your_new_key_here",  # 修改这里
}

性能对比

指标	原始版本	模块化版本
总代码行数	3000+	约4500 (分散)
最大文件行数	2000+	300-400
重用代码比例	0%	60%
测试覆盖难度	非常难	相对容易
功能复用难度	非常难	相对容易
新增功能工作量	高	低
耦合性	极高	低

故障排除

缺少依赖库

pip install -r requirements.txt

GPU未检测到

程序会自动使用CPU运行，但速度会较慢

模型加载失败

• 检查模型路径是否正确
• 确保模型文件完整
• 查看日志输出获取详细错误信息

后续改进方向

• 添加单元测试框架
• 支持配置文件（JSON/YAML）
• 添加更多日志级别
• 支持多个模型同时加载
• 添加模型版本管理
• 优化内存使用
• 添加数据持久化层
• 支持分布式训练
• 支持更多数据集的测试（LiveCodeBench-main、evalplus-master、bigcodebench-main）
• 将ToE指令生成模块加入到前端界面