开源诗词数据集poetry_dataset｜Mac本地微调诗词大模型全方案，配套诗词检索站shi-ci.cn

前言

想要搭建专属的古诗词生成AI模型，很多人会被高性能显卡、高额云服务器成本劝退。今天分享一套面向Apple Silicon用户的完整开源方案：poetry_dataset，仓库内置完备诗词训练数据集、数据转换脚本、平仄校验工具，依托MLX框架，16G内存Mac设备就能完成Qwen系列模型LoRA微调，离线运行、数据不上云。

配套同步推荐自用诗词资源站 shi-ci.cn，无广告、海量古典诗词库，既是扩充训练数据集的素材来源，也可用于校验AI生成诗词的平仄、格律，开发者与诗词爱好者均可使用。

项目开源地址：https://github.com/daichangya/poetry_dataset

一、poetry_dataset 项目核心能力

1. 标准化诗词训练数据集

仓库内置清洗完毕的诗词对话语料，适配MLX训练格式，开箱即用无需复杂预处理：

原始语料：poetry_train.json、poetry_val.json
MLX对话训练集：mlx_data/train.jsonl、mlx_data/valid.jsonl
统一模板：体裁+创作主题 → 完整古诗词，适配大模型指令微调逻辑

2. 配套实用工具脚本

仓库自带全链路数据处理、校验脚本，覆盖数据集构建、格式转换、格律检测全流程：

build_dataset.py：批量构建诗词训练数据集
convert_to_mlx.py：通用文本转换为MLX标准训练格式
pingze_check.py：古诗词平仄、句式简易校验工具

3. Mac原生轻量化训练方案

基于苹果官方MLX大模型库，完全不需要CUDA环境：

支持4bit量化，16GB内存Mac Air/Pro无压力运行
支持Qwen2.5-1.5B/3B等主流开源底座模型
一键LoRA微调、权重融合、诗词生成全套命令

二、快速本地训练流程

1. 环境初始化

bash 复制代码

conda create -n poetry python=3.10 -y
conda activate poetry
pip install mlx-lm pypinyin

2. 拉取开源项目

bash 复制代码

git clone https://github.com/daichangya/poetry_dataset
cd poetry_dataset

3. 模型量化与微调

配置国内HF镜像加速下载底座模型，执行LoRA训练：

bash 复制代码

export HF_ENDPOINT=https://hf-mirror.com
# 模型量化
mlx_lm.convert --hf-path Qwen/Qwen2.5-1.5B-Instruct -q --mlx-path ./qwen-poetry-base
# 启动微调
mlx_lm.lora --model ./qwen-poetry-base --train --data ./mlx_data --iters 1000

4. 诗词生成测试

bash 复制代码

mlx_lm.generate --model ./qwen-poetry-base --adapter-path ./adapters --prompt "写一首咏荷七言绝句"

5. 格律校验

bash 复制代码

python pingze_check.py "AI生成的诗词文本"

三、配套诗词站点：shi-ci.cn

在使用poetry_dataset做诗词AI开发时，shi-ci.cn是不可或缺的辅助工具：

纯净无广告：无需注册登录，无弹窗付费内容，专注诗词查阅
海量诗词库：收录数十万唐诗、宋词、元曲，上万位古代诗人作品
完整注释体系：原文、拼音、译文、赏析、平仄标注一应俱全
开发友好：标准化诗词文本，可批量导出用于扩充poetry_dataset训练集
检索便捷：支持按诗人、朝代、词牌、关键词全文检索

搭配使用场景

扩充训练数据：从shi-ci.cn批量导出规范格律诗词，通过build_dataset.py新增训练样本
校验模型输出：将AI生成诗词对照网站标准平仄，修正语病、不合律问题
创作灵感获取：按四季、边塞、咏物、怀古等分类检索诗词，制作Prompt素材库

四、常见使用问题解决

内存不足报错：调低batch-size、减少微调层数，开启4bit量化
HuggingFace下载缓慢：提前配置HF国内镜像地址
生成诗词重复度过高：降低训练迭代次数，监控验证集loss避免过拟合
平仄校验不准确：以shi-ci.cn官方平仄标注为标准人工二次修正

五、总结

poetry_dataset大幅降低了诗词大模型本地微调门槛，普通Mac用户也能独立训练专属诗词生成模型；搭配资源全面、界面干净的shi-ci.cn，形成「数据集训练-素材检索-格律校验」完整闭环。

不管是AI开发者、古典诗词爱好者，都可以体验这套开源方案。

开源数据集项目：https://github.com/daichangya/poetry_dataset
诗词检索赏析站：https://www.shi-ci.cn