Delete README_test.md with huggingface_hub

README_test.md

@@ -1,67 +0,0 @@
----
-language:
-- hi
-- en
-license: apache-2.0
-tags:
-- qwen3.5
-- entity-resolution
-- kyc
-- name-matching
-base_model: Qwen/Qwen3.5-9B
----
-
-# SGER: Qwen3.5-9B 姓名实体解析与匹配
-
-在 Qwen/Qwen3.5-9B 基础上分两阶段 LoRA 微调后的合并模型，用于印度 KYC 场景：
-
-1. **阶段一**：噪声姓名解析（还原 first_name / middle_name / last_name，Devanagari 天城文）
-2. **阶段二**：二元姓名匹配（判断两个姓名是否指向同一人，输出 Yes/No）
-
-## 用法
-
-```python
-import torch
-from transformers import AutoModelForImageTextToText, AutoTokenizer
-
-model = AutoModelForImageTextToText.from_pretrained(
-    "cyqwill/sger-qwen3.5-9b-name-matching",
-    torch_dtype=torch.bfloat16,
-    device_map="auto",
-)
-tokenizer = AutoTokenizer.from_pretrained("cyqwill/sger-qwen3.5-9b-name-matching")
-
-prompt = (
-    "<|im_start|>system\n"
-    "You are an expert system for KYC name matching in India. Determine if Name 1 and Name 2 refer to the same person. "
-    "Account for spelling variations, abbreviations, token reordering, merged tokens, and honorifics (-bhai, -ji).<|im_end|>\n"
-    "<|im_start|>user\n"
-    '[Few-Shot Examples]\n'
-    'Name 1: "kirtan singh" | Name 2: "singhkirtan" -> Yes\n'
-    'Name 1: "ramesh patel" | Name 2: "rameshbhai patel" -> Yes\n'
-    'Name 1: "vipin" | Name 2: "bipin" -> No\n'
-    '[Target]\n'
-    'Name 1: "अनिल रजनी यादव" | Name 2: "रजनी अनिल यादव" -> Match?<|im_end|>\n'
-    "<|im_start|>assistant\n"
-)
-inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
-out = model.generate(**inputs, max_new_tokens=8)
-print(tokenizer.decode(out[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True))
-```
-
-## 评估结果
-
-测试集（9581 对姓名）：
-
-| 指标 | 数值 |
-| --- | --- |
-| Precision | 0.9997 |
-| Recall | 0.9997 |
-| F1 | 0.9997 |
-| Accuracy | 0.9998 |
-
-## 注意
-
-- 基础模型为 Qwen/Qwen3.5-9B（多模态架构，Apache-2.0），文本主干为混合架构
-  （full attention + Gated DeltaNet），LoRA 只微调文本层模块。
-- 本仓库存放的是合并后的完整模型（bf16，约 19GB，含视觉塔权重）。