- 博客(59)
- 收藏
- 关注
RSS订阅原创 XNovel 世界配置实战：上传一本小说，AI 还原整个故事世界
XNovel世界配置功能详解：四步将小说变为可互动的虚拟世界 核心功能： 通过AI自动解析TXT小说，提取人物关系、关键事件和时间线 四步操作流程：上传→AI分析→选择世界→开启角色扮演 特色功能： 可视化时间线管理剧情节点 支持自定义模型接入和参数调整 多世界管理，可随时切换不同小说世界 使用优势： 匿名用户每日25次体验 登录用户每日500次交互 支持平行世界剧情改写和角色深度访谈 体验地址：http://xiaothink.top/xnovel/index.html
2026-08-16 13:37:04
297
原创 0.6B 前端生成模型本地部署实战：消费级显卡跑通 WanlyFrontend 全流程
中文提示词 → 模型生成 WF 代码 → 编译器编译为 HTML装库 → 下权重 → 生成 WF → 编译 HTML。
2026-08-15 16:17:48
361
原创 0.6B 模型的边界感：小模型教会我的三件事
如果你也在犹豫要不要折腾一台本地小模型，我的建议是：试试。不是为了打败大模型，而是为了拥有一个属于自己的、够用的助手。把容量花在刀刃上，把小模型放在对的位置上——这是 Instruct-Pro 教我的三件事，也是它存在的意义。
2026-08-13 11:24:08
190
原创 我把 0.6B 的 AI 装进了那台吃灰的旧笔记本
让五年前的旧笔记本重获新生，通过安装小型中文AI模型Xiaothink-T17，实现了免费、离线、数据私密的智能助手功能。该模型仅0.6B参数，支持CPU运行，能完成写诗、周报草拟等任务，特色是"先思考再回答"的深度对话模式。虽然复杂任务处理有限，但完全本地的运行方式（无需联网/付费/上传数据）使其成为旧设备的理想AI伴侣，满足日常文字处理需求的同时保障了隐私安全。
2026-08-13 11:02:13
186
原创 一次“偏科”的微调实验：Xiaothink-T17-RWKV5-MLA-Instruct-Pro 为何中文更强、前端变弱？
Instruct-Pro 是一次刻意偏科：把容量从 WF 前端语法转向中文自然语言；盲测数据验证了取舍——指令遵循 90.7 全场第一、总体反超同尺寸 Qwen3-0.6B，代价是前端 25.0 明显下滑；选型大于调参：做前端用 frontend 版，做中文用 instruct_pro 版，各司其职。数据全部来自真实盲测，欢迎交流讨论！
2026-08-11 19:46:14
343
原创 0.6B 硬刚 8B/20B！Xiaothink-T17-RWKV5-MLA-Instruct-Pro 六领域盲测实录：指令遵循 90.7 全场第一
在 6 领域盲测中总体 65.3，超过同尺寸 Qwen3-0.6B；指令遵循 90.7 全场第一、通用知识 85.0 越过 8B、古诗生成 74.0 断档领先同尺寸；前端生成 25.0 是微调取舍的代价，选型时按任务场景二选一。数据来自真实的 DeepSeek-V4-Flash 对照盲测。欢迎交流讨论！
2026-08-11 19:41:21
1327
3
原创 0.6B 也能“先想再答”？Xiaothink-T17-RWKV5-MLA-Instruct-Pro 深度思考实战
是 ≈0.6B 的端侧指令模型，延续 RWKV-v5 + MLA 纯历史检索架构；深度思考有开启（强制<think>）和自动（模型自行决定）两个模式，无单独的关闭模式，需 xiaothink ≥ 1.5.0；帮你控制历史里思考内容的去留，多轮对话更干净。本地小模型也能“先想再答”，欢迎交流讨论！
2026-08-11 19:34:58
197
原创 10 分钟实战：用 0.6B 本地模型生成中文网页（WanlyFrontend + 编译器全流程）
10 分钟，一张显卡，0.6B 参数——你已经拥有一个"说中文、出网页"的本地前端生成器。相比云端大模型，它免费、私有、可商用，尤其适合快速原型和本地自动化。快去 ModelScope 下载模型，写一个属于你的"想要……"试试吧！
2026-08-09 12:04:31
224
原创 深度拆解：RWKV-v5+MLA 架构凭什么让 0.6B 模型写好前端？WanlyFrontend 声明式语言的降维打击
小模型路线可以"换赛道"而非"堆参数"：把困难下放给确定性编译器，模型只做自己擅长的结构化描述；长序列架构是前端生成的地基：RWKV-v5 + MLA 的稀疏快照让 0.6B 也能背下整个页面结构；专项训练价值巨大：同样 0.6B，前端专项版比通用版强出 128%（52.6 vs 23.0）。欢迎交流讨论！
2026-08-09 11:53:48
185
原创 0.6B 小模型逆袭 8B！Xiaothink-T17-RWKV5-MLA-Frontend——中文前端页面生成新物种
小思框架推出仅0.6B参数的本地模型Xiaothink-T17-RWKV5-MLA-Frontend，专攻中文前端页面生成。该模型通过生成自研的WanlyFrontend声明式语言而非直接生成HTML，再由编译器编译成完整页面，解决了小模型生成HTML的难题。盲测结果显示，该模型在页面设计感、功能完整性等方面全面超越同级0.6B模型，甚至逼近20B大模型表现，尤其在静态页面生成上优势显著。模型采用RWKV-v5+MLA架构，支持消费级显卡本地运行，已上线ModelScope供体验。
2026-08-09 11:37:27
530
原创 本地AI也能写出“人味“文案？Xiaothink-T17-RWKV5-MLA-Instruct 实战：对话、创作、情感分析一把梭
别再为云端API排队付费了！一个566.9M参数、能离线运行的本地模型，搞定拟人化对话、诗词创作、情感分析三大场景。实测数据：拟人化语言81.7分，仅比GLM4.7低3.3分。
2026-08-07 15:10:06
240
原创 0.6B对战云端百亿旗舰？Xiaothink-T17-RWKV5-MLA-Instruct 盲测实录：拟人化语言仅差3.3分！
小模型的使命不是取代旗舰，而是在"够用"与"便宜"之间找到最优解。0.6B就能在拟人化语言上逼近GLM4.7，这意味着AI的民主化正在加速——人人都能在自己电脑上跑起一个"会说人话"的模型。下一次，当你为一个简单对话任务支付云端API费用时，不妨想想：也许0.6B就够了。Xiaothink-T17-RWKV5-MLA-Instruct证明了：参数可以小，表达的诚意不能少。
2026-08-07 15:06:04
183
原创 仅0.6B参数如何锁住超长记忆？Xiaothink-T17-RWKV5-MLA 架构深度解析：RWKV-v5 × MLA 的“降维打击“
当Hugging Face的256MB模型超越80B巨头，当0.6B的本地模型在中文风格任务上逼近云端旗舰——AI的价值标准正在从"参数规模"转向"记忆效率"。RWKV-v5与MLA的融合，证明了"小而美"不再是妥协，而是一种更聪明的工程选择。Xiaothink-T17-RWKV5-MLA证明了：记忆不在参数多少，而在架构匠心。模型主页：https://www.modelscope.cn/models/ericsjq/Xiaothink-T17-RWKV5-MLA-0.6B。
2026-08-07 14:58:23
424
原创 将独热码应用到我们的模型
本文将展示如何使用TensorFlow将独热编码应用到一个简单的密集神经网络中，以实现从一段随机文本到另一段随机文本的转换。虽然上述代码没有包括实际的训练过程，但它展示了如何使用TensorFlow将独热编码应用到文本数据上，并通过一个简单的神经网络模型进行处理。但是，在这个示例中，我们将简化过程，仅展示模型的构建。现在，让我们定义一个简单的密集神经网络模型，它将接受独热编码的文本并尝试预测下一个字符的独热编码。最后，我们可以使用训练好的模型来预测输入文本的输出，并将其从独热编码转换回字符。
2026-06-14 11:00:49
183
原创 Xiaothink-T17-Tiny 模型深度解析：轻量级RNN架构的创新与实战评测
Xiaothink-T17-Tiny 是一款创新的轻量级中文语言模型，采用GRU3+历史检索架构，参数量仅0.15B（96.9M）。核心创新包括历史感知序列建模、固定张量历史缓存、平方ReLU前馈网络等，在保持RNN线性复杂度的同时增强长距离依赖建模能力。测试显示其性能优于同规模Transformer（测试损失4.895 vs 5.424），峰值显存降低23%（5936MB vs 7726MB）。模型特别适合移动端/嵌入式部署，内置TinySkill工具箱提供8种即用型文本处理功能。需通过xiaothink
2026-06-13 21:19:56
210
原创 零成本中文情感分类实战：Xiaothink-T7.5-0.1B 免费API直通教程
本文介绍了一种基于Xiaothink-T7.5-0.1B模型的简易情感分类方案。通过调用免费无限制API，只需几行Python代码即可实现文本情感分析。方案采用prompt工程+关键词匹配的方法，将待分类文本拼接到固定prompt中，调用API后检测返回结果是否包含"正""积极"等关键词来判断情感倾向。文章提供了完整可运行的代码示例，展示了测试效果，并提出了批量处理、增加中性类别等扩展思路。该方案无需本地部署、不消耗算力资源，适合新手入门和小型项目快速实现情感分析功能
2026-02-27 11:46:31
499
原创 低配置cpu也能跑的轻量中文LM：Xiaothink-T7.5-0.1B 上手实操
如果在使用过程中遇到问题，官方提供了多个沟通渠道：邮箱xiaothink@foxmail.com、官网、模型卡片页面，能找到详细的文档和技术支持。从整个轻量模型的发展趋势来看，像Xiaothink-T7.5-0.1B这样适配低配置、做本土化优化的SLM，会成为很多中小场景AI落地的重要选择——毕竟不是所有需求都需要大模型，「小而精、小而快」的轻量模型，才能让AI真正落地到更多普通场景中。
2026-02-27 10:27:37
991
原创 Xiaothink-T7-ART：消费级硬件也能玩转的古诗生成AI，盲测接近SOTA水平
摘要：Xiaothink-T7-ART是一款轻量级古诗生成AI模型，仅需消费级CPU即可运行。该模型采用创新的多专家协同架构，通过7000万参数和400MB训练数据实现接近SOTA的创作水平，支持风格仿写、诗句续写等多种创作模式。其特点包括：硬件要求低（Intel Core i7即可）、生成可控性强、文学性突出，适用于文学创作辅助、教育应用等场景。模型已开源，无需GPU支持，让古诗创作AI技术真正实现平民化应用。
2026-01-10 15:47:31
909
原创 手把手教你使用xiaothink库实现文本AI率精准检测 ✅ 适配Xiaothink-T6系列官方模型
本文介绍了如何使用xiaothink库实现文本AI生成率检测，适配Xiaothink-T6系列官方模型。主要内容包括：1）推荐使用ModelScope社区的Xiaothink-T6模型；2）环境准备和模型加载步骤；3）提供完整的检测代码示例；4）详细解析检测结果字段含义；5）分享批量检测、设备自适应等进阶技巧。该方案具有检测精度高、推理速度快、部署简单等特点，适用于内容审核、学术查重等场景，能实现字符级AI生成概率分析。
2025-12-31 22:39:56
1235
原创 基于XiaothinkT6语言模型的文本相似度计算：轻量方案实现文本匹配与去重
本文介绍了一种基于Xiaothink框架的轻量级文本相似度计算方案，主要特点包括：1）使用预训练的Xiaothink-T6-0.15B-ST模型，无需额外训练；2）适配普通电脑，8GB内存即可运行；3）提供完整代码实现。方案通过4个核心步骤实现：安装依赖、下载模型、构建嵌入提取器、计算余弦相似度（0-1范围，值越大越相似）。该方案特别适合问答系统、内容去重等需要快速判断文本语义关联的场景，具有低门槛、高效率的优势。
2025-08-26 17:07:17
1141
原创 教程：用XiaothinkT6语言模型快速实现文本情感分类，附轻量模型推荐
基于Xiaothink-T6-0.15B-ST模型实现低算力高效文本情感分类。该工具优势包括：零额外模型负担、适配轻量模型、即插即用API。通过pip安装后，只需3步即可实现情感分析：导入模块、初始化模型、调用分类接口。该方案采用指令微调技术，支持零样本迁移，无需额外训练数据。使用时需注意路径正确性和版本兼容性，适合资源有限的端侧应用场景。模型可通过ModelScope下载。
2025-08-19 13:40:01
754
原创 Xiaothink-T6-0.15B混合架构模型深度解析
Xiaothink-T6-0.15B模型突破性地采用MoF混合架构，融合Transformer与RNN优势，在仅0.15B参数和2.5GB训练数据条件下实现接近chatGLM-6B的性能。其核心创新包括：1）双专家协同系统（窄深Transformer处理复杂短上下文+宽浅RNN处理知识型长上下文）；2）思维空间模块增强语义理解；3）智能路由动态分配计算资源。该模型支持移动端部署，在基础问答任务中展现出色表现，为边缘计算场景提供高效解决方案。模型已开源并推出多轮对话优化版本，显著降低AI应用门槛。
2025-08-16 14:37:42
1160
原创 论80M参数如何以小博大：用小模型生成媲美GPT-4o的古典诗词
千言2（Xiaothink-T6-0.08B-Poem）是一款仅8000万参数的轻量级AI作诗模型，在单颗Intel Core i7上完成全流程训练。该模型通过150MB诗歌专项数据微调，在诗词创作效果上超越大100倍的ChatGLM-6B模型。用户可通过简单三步安装使用：1）安装专用库；2）下载模型文件；3）调用API生成诗词。模型支持风格仿写、诗句续写等功能，提供温度参数调节创作自由度，并能离线运行于树莓派等设备。其出色的文化传承性和硬件兼容性，为边缘计算设备上的AI创作提供了新可能。
2025-08-04 20:17:24
443
原创 芥象（Img-ZIP）图像超压缩模型
芥象（Img-ZIP）是一种基于深度学习的图像超压缩模型，通过智能分块（80×80区块）将图像压缩为整数序列（-40~40范围），实现1%的超高压缩率（7z二次压缩可达0.41%）。提供16-100维不同版本，16维版压缩率达0.15%但色彩还原弱，100维版（pro2.2_all）支持真实场景。使用时需通过xiaothink库调用，支持图像/视频压缩，并能赋能文本LLM实现多模态扩展。典型应用包括边缘传输（1MB→15KB）、文档存档等，在同等PSNR下体积仅为JPEG的10-15%。
2025-08-01 10:04:47
1042
原创 小模型颠覆大模型：0.08B如何战胜670B？技术路径与未来风口全解析
【AI革命新范式：小模型时代来临】256MB模型性能超越80B巨兽，9美元训练成本颠覆行业。核心突破在于：1）算法革新（强化学习优化/慢思考机制）；2）架构革命（模块化组装/稀疏激活）；3）工具增强（自验证链/具身接口）；4）数据优化（精准配比/难度采样）；5）场景压缩（垂直领域特化）。未来四大风口：具身智能、边缘计算、AI民主化、绿色AI。产业格局正从"参数竞赛"转向"智能密度"竞争，开源工具链推动轻量化AI普及。这场静默革命宣告大模型时代的终结，智能效率成为新王道
2025-07-17 15:53:13
718
原创 【真·CPU训模型！】单颗i7家用本，4天0成本跑通中文小模型训练！Xiaothink-T6-0.08B-Instruct-Preview 技术预览版开源发布！
《突破GPU限制：基于CPU的低资源中文模型训练实践》在单颗i7-1165G7移动CPU上通过4天训练实现0.08B参数中文模型。核心创新包括：1）混合专家架构MoF，结合RNN的长文本处理与Transformer的高效推理；2）思维空间机制增强全局理解；3）线性注意力优化降低计算复杂度。实验证明该方案在32GB内存下达成基础NLP任务能力，为技术民主化提供可行路径。研究开源了完整代码与模型，展示了在民用设备上实现AI训练的可能性，为低资源环境下的模型开发树立了新范式。
2025-07-17 11:00:14
1471
原创 星尘：打造你的专属AI伙伴，引爆你的创意无限
星尘”不仅仅是一个平台，它更像是一场关于创意、科技和人性交汇的盛宴。在这里，你可以找到或创建各种各样的智能体——它们是根据特定人物或角色精心设计的AI模型。无论是古代诗人、现代医生，还是虚拟的胖猫，每一个智能体都有其独特的性格和背景故事。你可以与它们对话，获取灵感，甚至让它们帮助你续写自己的小说。而这一切，都只需要通过简单的点击就能实现。
2024-12-06 23:10:16
857
1
原创 清韵千言APP：一款基于RNN架构并深度优化的语言模型应用
清韵千言APP以其独特的GRU架构和单字token化技术，为用户提供了高效、智能的语言处理能力。它不仅支持在消费级CPU上进行高效训练与微调，还在消费级CPU上甚至能够超过25tps的处理速度，确保了对话的流畅性和实时性，同时还支持根据URL页面内容进行微调，从而快速实现基于某本小说进行微调的小说风格续写、基于微调的新闻续写等。此外，该应用所使用的模型省略了预训练步骤，所有官方模型的所有训练数据均由人工编写，无任何无不良信息，为用户营造了一个安全、健康的交流环境。
2024-10-06 11:12:09
896
原创 补充：关于GRU的详细运作原理以及特殊的优化思路
在GRU中引入一个内部的循环机制，这个机制可以进一步处理候选隐藏状态，以便更好地控制信息流。这种内部循环可以用来模拟更复杂的逻辑处理过程，类似于大脑中的多层次处理。
2024-08-05 13:12:23
1376
原创 利用清韵千言-小思构建AI生成模拟新闻应用
通过精心设计prompt，我们可以利用清韵千言-小思接口生成各种类型的新闻内容。这种方法不仅可以帮助我们快速生成大量高质量的新闻稿件，还可以作为自动化新闻生成的基础。随着技术的进步，未来我们甚至可以看到更加复杂和精细的新闻生成应用。今天，我们将介绍如何利用清韵千言-小思这个强大的AI大语言模型接口，创建一个简单的AI生成模拟新闻应用。我们将重点讨论如何设计有效的prompt以生成高质量且具有新闻价值的内容。为了从清韵千言-小思中获取高质量的新闻内容，我们需要精心设计prompt。
2024-08-05 12:34:35
469
1
原创 清韵千言-小思——一个强大的AI大语言模型接口
清韵千言-小思 是一款由我们的团队自主研发的大规模语言模型接口。该模型不仅能够处理各种自然语言任务，而且它的大部分能力已经超越了GPT-3.5等模型。尽管如此，小思也有一些特定的限制条件，比如不支持上下文记忆、不支持并发请求等。下面将详细介绍这些特点以及如何使用它。
2024-08-05 11:41:57
1112
1
原创 【基础模型】开始构建我们自己的大语言模型3：训练我们的模型（内附免费完整训练资源）
在本篇博文中，我们介绍了如何设置训练循环来训练一个语言模型，包括监控训练进度、保存模型检查点、以及进行中间测试。这些步骤对于训练任何深度学习模型都是非常重要的，希望这篇博文能帮助你更好地理解和实践模型训练的过程。
2024-08-03 15:59:37
1038
原创 【基础模型】开始构建我们自己的大语言模型2：模型构建部分
首先，我们需要一个函数来定义并构建我们的模型。这个函数将接收多个参数，如词汇表大小（vocab_size）、嵌入维度（）、RNN单元数（rnn_units）、批量大小（batch_size）以及模型版本（mt）和窗口大小（window，目前他没用但以后我们优化模型的时候会用到）。这是GRU的简单流程图：fill:#333;color:#333;color:#333;fill:none;输入层: 接收当前时间步的输入数据重置门: 即sigmoid函数 决定新输入与旧记忆的结合。
2024-07-26 15:45:44
692
原创 如何使用Python调用颜值评分接口
我们可以轻松地从Python中调用颜值评分接口，获取任何图片的颜值评分。这不仅可以用于娱乐目的，还可以作为面部识别系统的一部分，或者在社交媒体应用中评估用户上传的图片。在当今社会，人工智能技术被应用于各个领域，包括图像识别和分析。今天，我们将利用Python来调用小思框架颜值评分接口，该接口可以接收一张人脸图片，并返回一个表示颜值水平的分数。请确保在实际应用中遵守所有相关的隐私法规和道德准则，尊重个人隐私权。本文只是示例，实际应处理更多异常情况，例如网络错误、超时等。
2024-07-18 23:01:04
569
原创 开始构建我们自己的大语言模型：数据处理部分
接上集，本章我们将深入说一下大语言模型数据处理部分的细节，并直接提供本部分的完整代码以及免费公开的的配套资源。
2024-07-18 22:08:04
1873
原创 将独热码应用到神经网络中
接上回，本文继续说如何用TensorFlow将独热编码应用到一个简单的神经网络中，以实现从一段随机文本到另一段随机文本的转换。
2024-07-12 23:13:44
705
原创 回归主题：语言模型——独热码（One-Hot Encoding）在TensorFlow中的应用
独热编码是一种数据预处理技术，用于将类别型特征转换为数值型特征。它的工作原理是为每一种可能的类别创建一个新列（或特征），当原始类别出现时，对应的新列值为1，其余均为0。
2024-07-05 13:43:09
1166
SKchat小说续写模型
2023-06-25
tensorflow自定义层报错：无法在第一维度未知的张量上迭代
2024-07-21
深度学习的自定义层的call方法中如何将tensor转为numpy矩阵？
2024-05-03
从头训练RNN语言模型，这样的loss正常吗？
2024-04-21
用pytorch训练对抗网络时矩阵乘法报错
2023-10-04
如何解决微信公众号自动回复Unicode码的问题
2023-07-03
TA创建的收藏夹 TA关注的收藏夹
TA关注的人