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！

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！

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

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）。

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）。

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

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。

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

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

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