模型介绍
中文整理唐前古文字符级 LSTM
这是一个只使用**唐代及唐代以前中文古籍**训练的字符级语言模型。它读取提示文字,然后逐字续写具有古文语感的内容。本次发布提供模型权重、命令行推理代码和免下载的在线续写界面。
模型摘要
项目 数值
- -- ---
架构 2 层 LSTM,每层 512 单元
字符嵌入 256 维
Dropout 0.25
参数量 17,138,015
字符表 17,503 个字符
训练文本 19,885,216 字符
训练轮数 15(前 10 轮训练,后 5 轮低学习率精修)
最佳验证损失 4.5621(第 15 轮)
训练内容
语料覆盖经、史、子、集、字书、医学和算书,包括《周易》《论语》《孟子》《老子》《庄子》《墨子》《荀子》《韩非子》《史记》《汉书》《三国志》《黄帝内经》《九章算术》《说文解字》《楚辞》及全唐诗等。年代筛选明确排除宋代《资治通鉴》、宋诗、五代诗词、宋词和元曲。
详细来源、固定版本与许可证见 THIRD PARTY NOTICES.md。
在线体验
本模型仓库保存权重和推理代码。免下载的浏览器体验需要配套的魔搭创空间;创建方法见发布包根目录中的 UPLOAD GUIDE.md 。
使用方法一:ModelScope SDK 下载后生成
使用方法二:下载仓库后运行命令
生成参数
prompt :续写开头;必须由模型字符表内的字符组成。
length :生成字符数,建议 100–400。
temperature :随机性,建议 0.6–0.9;越低越保守,越高越发散。
top k :每一步仅从概率最高的若干字符中采样,建议 20–50。
seed :随机种子;相同参数与种子可复现输出。
训练结果
验证损失在第 1–15 轮从 4.9250 持续下降至 4.5621;第 14 轮轻微波动到 4.5655,第 15 轮再次刷新最佳值,未观察到明显的验证损失反弹。完整逐轮数据见 training metrics.json。
能做什么
根据“子曰”“臣闻”“夫兵者”等开头续写古文风格文本。
观察唐前语料中的常见字符搭配和句式惯性。
用于字符级 LSTM、Embedding、temperature 与 top-k 的教学演示。
重要限制
这是逐字预测模型,不是聊天机器人,不能可靠回答历史问题。
模型只有约 1714 万参数,长程逻辑、事实一致性和篇章结构有限。
训练语料包含繁简混合、古籍异体字和多种标点风格。
生成内容可能重复、出现空行、混合不同文体,或复现训练语料片段。
所有输出必须标明“模型生成”,不得冒充古籍原文或用于伪造史料。
文件说明
文件 用途
- -- ---
best.pt 已移除优化器状态的推理权重
inference.py Python API 与命令行生成入口
char rnn/ tokenizer、LSTM 架构和 checkpoint 加载代码
model config.json 架构与训练摘要
training metrics.json 15 轮训练/验证损失
THIRD PARTY NOTICES.md 训练语料来源、固定版本与许可证
MIT chinese poetry.txt chinese-poetry 上游 MIT License 全文
MODEL LICENSE.md 模型权重发布许可证说明
许可证
模型权重建议按 CC BY-SA 4.0 发布。语料来源分别包含 CC0 1.0、CC BY-SA 4.0 与 MIT License;请保留署名和第三方声明。详见 MODEL LICENSE.md 与 THIRD PARTY NOTICES.md。
优先采用原作者提供的中文模型卡片;仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件;指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖,请按作者说明配齐。
完整仓库可能包含多个权重格式,因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖,以原作者说明为准。
是否允许商用、修改和分发,请查看模型许可证。
闲社提供资料与镜像下载方法,不代表已运行模型或完成安全审计。下载的代码应先检查,再执行。
资料或下载有问题?
登录后可提交反馈。
