春节祝福语日益同质化，通用大模型难以应对不同场景下的细腻情感需求。本文分享如何通过微调Qwen3-32B模型，仅用30分钟打造一个能理解人际关系、生成个性化祝福语的AI助手，让每一句拜年都充满专属的温度。
智能速览
传统AI生成祝福语生硬老套，缺乏人情味。
核心思路是将“人情世故”解构成六个可学习维度。
自研包含3107条样本的高质量春节祝福语数据集。
基于LLaMA-Factory Online平台，30分钟完成模型微调。
主观评估显示，微调后的Qwen3-32B效果优于Qwen2.5。
精华内容
如何让冰冷的模型理解复杂的人情世故？关键在于将感性的社交需求，转化为可量化、可学习的结构化数据，并基于此进行高效的模型微调。
结构化人情
通用大模型生成的祝福语往往千篇一律，缺少分寸感。为解决此问题，核心思路是将“人情世故”转化为模型可学习的结构。具体通过六个关键维度引导创作：称呼、关系、交往细节、场合、风格和篇幅。例如，对客户使用“商务得体风”，对程序员朋友则可尝试融入“LLM科技风”，让祝福语在保持真诚的同时，精准匹配不同的人际场景。
自建高质量数据
现有开源数据集无法满足个性化祝福的精细化需求。为此，自主设计了春节祝福语数据集SpringFestivalGreetings。该数据集以人工编写的高品质祝福语为种子，通过数据扩展流水线繁殖，并经严格品质过滤，最终保留了3107条高质量样本。这些数据覆盖了多样的语言风格和人际关系类型，为模型学习个性化表达奠定了坚实基础。
30分钟高效微调
训练环节在LLaMA-Factory Online平台上进行，使用了2张H800A显卡。基于Qwen2.5-32B-Instruct和Qwen3-32B两个基座模型，采用LoRA微调方式，训练6个epoch仅耗时约30分钟。考虑到祝福语生成更注重表达而非复杂逻辑，针对Qwen3-32B模型禁用了其思维链功能，以进一步提升生成速度和文本流畅度。
效果评估与优势
祝福语的效果难以用客观指标完全衡量，因此采用人工主观评估。通过对比不同关系、风格和篇幅的生成样例，发现微调后的Qwen3-32B模型表现更优。其生成的祝福语不仅在措辞上更贴合场景，还能巧妙融入共同经历，让祝福显得更用心、更独特。相比之下，通用模型则显得刻板且缺乏创意。
这项探索证明了，通过精巧的设计和高效的微调，AI能够深度介入情感表达领域，成为维系人际关系的创意伙伴。它不替代人的情感，而是辅助我们更好地表达。未来，当技术与情感更紧密地结合，或许我们能期待一个更有温度的数字交流时代。
