README.zh.md: update model card

README.zh.md

@@ -23,12 +23,14 @@ KnowLine 是独立开发的模型，与 TypeSafe 或 Jev 没有隶属关系，
 - 生成的是各选项标签 token 的概率；
 - 现有 Jev 客户端只需修改 base URL 即可接入；之前版本的用户换模型名即可，接口和推理设置都不变。
 
-|      |      |
-| ---- | ---- |
-| 底座模型 | [Qwen/Qwen3.5-4B](https://huggingface.co/Qwen/Qwen3.5-4B)（Apache-2.0） |
-| 训练方式 | LoRA 监督微调（rank 32，alpha 64，只训语言模型部分），合并为 bf16 权重 |
+
+|      |                                                                                                 |
+| ---- | ----------------------------------------------------------------------------------------------- |
+| 底座模型 | [Qwen/Qwen3.5-4B](https://huggingface.co/Qwen/Qwen3.5-4B)（Apache-2.0）                           |
+| 训练方式 | LoRA 监督微调（rank 32，alpha 64，只训语言模型部分），合并为 bf16 权重                                                |
 | 发布格式 | bf16 权重；最后一层 norm 的权重里已折入读出温度 T = 1.32（见[校准](#校准)）；视觉部分和 MTP 头与底座相同，配置、分词器和对话模板与 Gen1-Gen3 完全一致 |
-| 语言   | 英文、简体中文、繁体中文 |
+| 语言   | 英文、简体中文、繁体中文                                                                                    |
+
 
 ## 快速开始
 
@@ -43,7 +45,6 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
                          "criteria": {"angry": "Angry", "neutral": "Neutral", "happy": "Happy"}}}}'
 ```
 
-- **不用 SGLang**：`python knowline_server.py --model PelaAI/KnowLine-4B-Gen4 --backend hf --port 8080` 只依赖 transformers，速度较慢，精度为 bf16。
 - **前端**：`knowline_server.py` 是单个文件，只依赖 transformers 和 requests，与 Gen3 是同一个文件。
 - **完整设置**：我们跑 Decision Index 时的完整设置见 [INFERENCE.md](INFERENCE.md)。
 
@@ -60,12 +61,13 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
    - Humicroedit，23.1 → 32.0：SemEval-2020 Task 7 的训练集、开发集和 FunLines，该基准用的是测试集；
    - 涨得较少的：ToolRet（61.2 → 64.9）、BRIGHT（39.2 → 42.0）、SATA-Bench（29.2 → 33.6）、FinEntity（86.8 → 90.2）和 ACOS（43.3 → 46.1）。
 
-   在没参与训练的同类技能基准上（BPoMP 对应 BLiMP，Humicroedit 对应 HaHackathon，ESCI 对应 WANDS，ToolRet 对应 Toucan），变化很小或有涨有跌，所以这部分涨分大多只在这几类任务上。下降最多的几个基准降幅都很小，最多的是 WinoGrande（78.8 → 77.7）。
+    在没参与训练的同类技能基准上（BPoMP 对应 BLiMP，Humicroedit 对应 HaHackathon，ESCI 对应 WANDS，ToolRet 对应 Toucan），变化很小或有涨有跌，所以这部分涨分大多只在这几类任务上。下降最多的几个基准降幅都很小，最多的是 WinoGrande（78.8 → 77.7）。
 
 ## 横向对比
 
 下表为 Decision Index 0.3 公开套件的分数。0.3 的总分还要加上只由维护者运行的私有测试（同技能 0.5、新领域 0.3），我们的总分暂时还没有。
 
+
 | 模型                      | 规模    | DI 0.3 公开分 | DI 0.3 总分 | 来源       |
 | ----------------------- | ----- | ---------- | --------- | -------- |
 | **KnowLine-4B-Gen4**    | 4B    | **64.90**  | 尚未评测      | 自测，官方工具包 |
@@ -80,8 +82,10 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 | jiwo 4B                 | 4B    | 45.76      | 42.86     | 榜单       |
 | Nox 4B                  | 4B    | 44.21      | 44.95     | 榜单       |
 
+
 各子领域的公开套件评分如下（均为 0.3 公开）：
 
+
 | 领域        | KnowLine-4B-Gen4 | KnowLine-4B-Gen3 | Perplexity Decider v1.1（27B） | Jev 1.13 |
 | --------- | ---------------- | ---------------- | ---------------------------- | -------- |
 | 知识与推理     | 44.6             | 43.9             | 52.0                         | 53.9     |
@@ -90,17 +94,20 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 | 工具与 Agent | 87.6             | 86.6             | 78.9                         | 75.1     |
 | 艺术与品味     | 59.2             | 49.8             | 47.0                         | 39.1     |
 
+
 ## 版本
 
 本模型使用自进化的模式进行训练，将持续产生新版本。
 
-| 模型                    | 日期         | DI 0.3 公开 | DI 0.2.1 | 黄金集留出（英 / 简 / 繁）   | 说明                           |
-| --------------------- | ---------- | --------- | -------- | ------------------ | ---------------------------- |
-| KnowLine-4B-Gen4（本模型） | 2026-10-10 | 64.90     | —        | 69.7 / 70.1 / 65.1 | 第四版 |
-| [KnowLine-4B-Gen3](https://huggingface.co/PelaAI/KnowLine-4B-Gen3) | 2026-10-09 | 63.11     | —        | 69.4 / 70.8 / 65.0 | 第三版 |
-| [KnowLine-4B-Gen2](https://huggingface.co/PelaAI/KnowLine-4B-Gen2) | 2026-10-08 | 62.54     | —        | 69.7 / 71.2 / 64.8 | 第二版 |
+
+| 模型                                                                 | 日期         | DI 0.3 公开 | DI 0.2.1 | 黄金集留出（英 / 简 / 繁）   | 说明   |
+| ------------------------------------------------------------------ | ---------- | --------- | -------- | ------------------ | ---- |
+| KnowLine-4B-Gen4（本模型）                                              | 2026-10-10 | 64.90     | —        | 69.7 / 70.1 / 65.1 | 第四版  |
+| [KnowLine-4B-Gen3](https://huggingface.co/PelaAI/KnowLine-4B-Gen3) | 2026-10-09 | 63.11     | —        | 69.4 / 70.8 / 65.0 | 第三版  |
+| [KnowLine-4B-Gen2](https://huggingface.co/PelaAI/KnowLine-4B-Gen2) | 2026-10-08 | 62.54     | —        | 69.7 / 71.2 / 64.8 | 第二版  |
 | [KnowLine-4B-Gen1](https://huggingface.co/PelaAI/KnowLine-4B-Gen1) | 2026-10-07 | 60.47     | 60.92    | 68.7 / 69.9 / 64.1 | 首次发布 |
 
+
 从 Gen2 起只跑 Decision Index 0.3，不再跑 0.2.1。
 
 ## 评测
@@ -109,27 +116,31 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 
 ### 留出评测与中文评测
 
-| 测试集                   | Gen4        | Gen3        |
-| --------------------- | ----------- | ----------- |
-| 自建评测数据集（英文部分）         | 69.7        | 69.4        |
-| 自建评测数据集（简体中文部分）       | 70.1        | 70.8        |
-| 自建评测数据集（繁体中文部分）       | 65.1        | 65.0        |
-| C-Eval（4 大类宏平均）       | 78.7        | 79.2        |
-| Open-Jev 1.1 测试 / OOD | 88.4 / 87.1 | 88.4 / 87.2 |
-| 提示注入改变答案的比例（越低越好）     | 1.6%        | 3.4%        |
+
+| 测试集                      | Gen4        | Gen3        |
+| ------------------------ | ----------- | ----------- |
+| 自建评测数据集（英文部分）            | 69.7        | 69.4        |
+| 自建评测数据集（简体中文部分）          | 70.1        | 70.8        |
+| 自建评测数据集（繁体中文部分）          | 65.1        | 65.0        |
+| C-Eval（4 大类宏平均）          | 78.7        | 79.2        |
+| Open-Jev 1.1 测试 / OOD    | 88.4 / 87.1 | 88.4 / 87.2 |
+| 提示注入改变答案的比例（越低越好）        | 1.6%        | 3.4%        |
 | 训练中没见过的注入模板改变答案的比例（越低越好） | 6.2%        | 10.2%       |
 
+
 自建评测数据集和 Open-Jev 1.1 OOD 上的差别，在配对符号检验下都不显著。
 
 ### 网页操作（Mind2Web 官方测试集，仅用于评测）
 
+
 | 划分                       | Gen4 选元素 | Gen4 选操作（三类平均） | Gen3 选元素 | Gen3 选操作（三类平均） |
-| ------------------------ | -------- | ------------- | -------- | ------------- |
-| test\_task（训练中见过的网站、新任务） | 92.9     | 97.0          | 92.7     | 97.0          |
-| test\_website（新网站）       | 91.9     | 95.7          | 91.3     | 97.3          |
-| test\_domain（新领域）        | 91.7     | 97.2          | 91.8     | 97.2          |
+| ------------------------ | -------- | -------------- | -------- | -------------- |
+| test\_task（训练中见过的网站、新任务） | 92.9     | 97.0           | 92.7     | 97.0           |
+| test\_website（新网站）       | 91.9     | 95.7           | 91.3     | 97.3           |
+| test\_domain（新领域）        | 91.7     | 97.2           | 91.8     | 97.2           |
+
 
-- 与 Gen3 基本持平。test\_website 的选操作分数偏低，是因为它的 72 个 SELECT 步骤里多错了 3 个；差别在误差范围内。
+- 与 Gen3 基本持平。test_website 的选操作分数偏低，是因为它的 72 个 SELECT 步骤里多错了 3 个；差别在误差范围内。
 - 目前仅用于探索该模型在 RPA 自动化等领域的情况，并验证存在一定的泛化性。
 - 任务是从目标元素和页面上随机抽取的最多 5 个其他候选里选出目标，比 Mind2Web 原始评测简单，因此请勿与其排行榜比较。
 
@@ -147,6 +158,7 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 
 按 Decision Index 榜单说明的方法，在 0.3 公开套件上计算：逐字段判断对错，置信度取所选选项的概率，各基准等权，10 个等宽分箱。
 
+
 | 指标              | Gen4        | Gen3        | 榜单中位数（114 个模型） | Jev 1.13    |
 | --------------- | ----------- | ----------- | -------------- | ----------- |
 | ECE（越低越好）       | 0.04-0.05   | 0.07-0.08   | 0.084          | 0.074       |
@@ -154,6 +166,7 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 | 置信度 ≥95% 但答错的比例 | 1.7%        | 2.7%        | 1.3%           | 2.1%        |
 | 平均置信度 / 准确率     | 0.82 / 0.77 | 0.84 / 0.76 |                | 0.81 / 0.74 |
 
+
 - **��重里的温度**：最后一层 norm 的权重里折入了读出温度 T = 1.32，相当于每个 logit 先除以 1.32，再对选项标签做 softmax。哪个选项排第一不会变，所以 Decision Index 分数也不变，只是概率不那么极端。T 是在我们自己的一组评测题上拟合的，这组题的分布训练数据里有覆盖；没有用留出集，也没有用 Decision Index 的题。
 - **为什么是区间**：榜单没有公布具体用了哪 32 个基准。我们用三个公开了结果的榜单模型核对，自算的 ECE 与榜单值最多相差约 0.015，所以按几种可能的基准组合给出区间。
 - **仍略偏自信**：平均置信度比准确率高约 3-5 个点。偏差集中在难推理题（HLE、CRUXEval、MuSR）和 New Yorker 漫画配文。
@@ -166,7 +179,7 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
   - 本轮的全部训练数据（新数据和回放数据）都用改进后的工具，与所有 Decision Index 0.3 题目、我们全部的评测集以及文中引用的其他公开评测（Intern-Decision、S1MB、JevBench、MMDM）做了比对。
   - 与评测题近乎重复、重复了题目的问题或论断、或包含整段评测状态的训练行都已删除：539,647 行里删了 1,909 行。只是与评测题共用同一来源段落的行（例如同一段维基百科或同一份工具说明）保留了下来，共 23,684 行。
   - BPoMP 和 cfcolor 的训练题与这两个基准来自同一个源数据集（OEDILF 打油诗；O'Donovan 等人的配色评分），但排除了基准里的全部题目。逐条核对两者各 5,000 道 Decision Index 题，没有共用的诗，也没有共用的评分题。
-  - 这份权重有一半来自 Gen3。Gen3 的数据是在之前几轮用旧版工具检查的，旧版有漏检。2026-10-09 重新复核发现，HoVer、ToolRet 等少数基准与那部分数据共用维基百科段落或工具文档，高度重合的约十几道题；去掉这些题重新计分，Gen1-Gen3 的 DI 公开分只低 0.04-0.05 分。
+
 - **按评测挑选**：37 个候选里，我们在通过全部发布检查的候选中，选了 DI 0.3 公开分最高的一个。
 - **游戏数据**：标签来自模拟器推演或引擎，随机种子和起始局面都与评测局面不重叠。
 - **不用模型输出作标签**：从未把 Jev 或其他任何决策模型的输出用作训练标签。
@@ -194,4 +207,4 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 ## 许可证
 
 - **权重**：Apache-2.0，与底座模型相同。
-- **代码**：`knowline_server.py` 为 MIT 许可（见文件开头）。
+- **代码**：`knowline_server.py` 为 MIT 许可（见文件开头）。