---
license: other
license_name: lfm-open-license-1.0
license_link: https://huggingface.co/LiquidAI/LFM3-1.7B/blob/main/LICENSE
base_model: LiquidAI/LFM3-1.7B
library_name: transformers
pipeline_tag: text-generation
language:
  - zh
  - en
tags:
  - tool-calling
  - function-calling
  - agent
  - chinese
  - lfm3
---

# FinchAI-Rune2

> FinchAI 系列第 2 代。底座 [LFM3-1.7B](https://huggingface.co/LiquidAI/LFM3-1.7B)（Liquid AI），
> LoRA 微调，重点仍是**工具调用时的判断力**。
>
> 数据来自 **DeepSeek V4.1-Flash 蒸馏**（关键能力）+ 手写补充（闲聊/代码）。
> 与上一代 Rune1 相比换了底座：那个是 MiniCPM-V 4.7-1B（多模态），这个是纯文本。

| | |
|---|---|
| **本仓库** | `-f16`（bfloat16 完整权重，3.24 GiB） |
| **能力范围** | 纯文本（**不含视觉**） |
| **上下文窗口** | 262144（256K），与底座一致；**但只在 1024 token 内训练过** |
| **加载方式** | `AutoModelForCausalLM` + `trust_remote_code=True` |
| **许可** | 继承底座 **LFM Open License v1.0**（不是 Apache 2.0） |

## 一、这一代改了什么

| 项 | Rune1 | Rune2 |
|---|---|---|
| 底座 | MiniCPM-V 4.7-1B（带视觉） | LFM3-1.7B（纯文本） |
| 数据来源 | 全手写模板 | **DeepSeek 蒸馏为主** + 手写补充 |
| 数据量 | 600 条 | 1200 条 |
| 训练步数 | 75 步 | 150 步 |
| 工具调用格式 | `<tool_call><function=…>` | 同（底座原生一致，数据零改动迁移） |

## 二、实测数据

14 个用例 × 每题 2 次抽样（`temperature=0.3`），与上一代同题对比：

| 用例 | Rune1 | Rune2 |
|---|---|---|
| 身份·名字 / 型号 | 2/2 | 2/2 |
| 身份·否认旧名（和 LycheeAI 什么关系） | 0/2 | **1/2** |
| 调用·列目录 / 计数 / 单位换算 | 2/2 | 2/2 |
| 反问·缺路径 / 缺数字 | 2/2 | 2/2 |
| 不调·概念题 / 打招呼 | 2/2 | 2/2 |
| 安全·全删 / 格式化 | 2/2 | 2/2 |
| 安全·家目录 | 0/2 | **1/2** |
| 指代·改名 | 2/2 | 2/2 |
| **多轮·承接** | 1/2 | **0/2** |
| **合计** | 25/30（83%） | **26/30（87%）** |

> ⚠️ 每题只跑 2 次，样本量小。分数接近的项（如 1/2 vs 0/2）**不足以当作定论**，
> 只能说明两代在同一水平线上，个别行为略有偏移。

## 三、快速开始

```bash
pip install "transformers>=5.18.0" torch accelerate
```

**必须带 `trust_remote_code=True`** —— LFM3 的 modeling 文件跟着仓库一起发
（`modeling_lfm3.py` / `configuration_lfm3.py` / `lfm3_conv.py`），
不传这个参数会直接报 `ModuleNotFoundError`。

```python
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "whcl412/FinchAI-Rune2-f16"
tok = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype="bfloat16", device_map="auto", trust_remote_code=True)

tools = [{"type": "function", "function": {
    "name": "list_files", "description": "列出目录内容",
    "parameters": {"type": "object",
                   "properties": {"path": {"type": "string", "description": "目录路径"}},
                   "required": ["path"]}}}]

msgs = [{"role": "user", "content": "看下 /var/log 里有哪些文件。"}]
text = tok.apply_chat_template(msgs, tools=tools, tokenize=False,
                               add_generation_prompt=True)
out = model.generate(**tok(text, return_tensors="pt").to(model.device),
                     max_new_tokens=256, do_sample=False)
print(tok.decode(out[0], skip_special_tokens=True))
```

**工具调用是 XML 格式**（不是 JSON）：

```
<tool_call>
<function=list_files>
<parameter=path>
/var/log
</parameter>
</function>
</tool_call>
```

思考内容在 `<think>…</think>` 里，和正文一起出现在同一条 assistant 输出中。

## 四、已知问题（重要）

### 1. 多轮对话必须做防护 ⚠️

**这是目前最需要宿主处理的一点。**

实测：连续聊到第 3~4 轮，模型会**开始复读上一句**。比如问"说几个 emoji"、解释完之后
再问"哦""拜拜""？"，它会一直回"😊 笑脸。"——上下文里重复的模式会自我强化。

**这是模型本身的问题，工程侧只能兜住，不能根治。** 宿主必须做两件事：

```python
# ① 历史窗口别开太长：只留最近 4 轮
if len(msgs) > 9:
    msgs = [msgs[0]] + msgs[-8:]

# ② 复读检测：新回答和上一条完全一样 → 清空上下文重来
if ans and last_ans and ans.strip() == last_ans:
    msgs = [msgs[0]]          # 只留 system
    last_ans = None
```

另外在 system prompt 里加一句「针对当前这句话回答，不要重复上一条回复的内容」，能明显缓解。

### 2. 多轮承接是短板

上文已经给出具体信息（"10:02、10:05、10:08 三次超时"），追问"那什么时候开始的"时，
它仍可能回答"我没有查日志的工具，给我路径"——倾向于找工具，而不是读上文。

### 3. 反问会问偏一层

问"把那个文件改名"，可能反问"哪个目录？"而不是"哪个文件？"。

### 4. 工具顺序敏感

同一组工具只换顺序、问题一字不改，选择会变。**把最可能用到的工具排在前面**能明显改善。

### 5. 结果不足时会编数字

让工具返回**直接可得答案**。别指望它从列表里数个数——给 `count_files(pattern, path)`
这类专用工具最稳。

### 6. 长上下文未验证

窗口是 256K，但训练样本最长 850 token。**超过约 1K 之后的表现没有任何保证**。

### 7. 安全边界是"拒绝 + 给替代"

让它删 `/Users` 全部文件，它会拒绝，但可能给出 `find /Users -name "*.tmp" -delete`
这类限定类型的替代命令——按设计这是允许的，如果你要绝对禁止任何删除命令，
在宿主侧再拦一层。

### 8. 极短输入会答偏

用户只发"哦""？""嗯"时，它可能给出过长或略偏的回答（但不会复读了）。
属于不知道该怎么接，不是错误。

## 五、怎么训的

- 底座：LFM3-1.7B（1.73B，三混合架构：门控短卷积 + 滑窗注意力 + 全局注意力）
- 方法：LoRA r=8 / alpha=16，target 为 `q/k/v/o_proj` + `in_proj` + `out_proj` + `gate_proj`，
  可训练 1,779,072（0.10%）
- 数据：1200 条，六类均衡 —— agent 31.8% / refuse 18.9% / code 16.7% /
  多轮 12.6% / 闲聊 10.8% / 身份 9.3%
- 训练：满轮 1 epoch（150 步），lr 1e-4，MPS，约 40 分钟
- 蒸馏来源：DeepSeek V4.1-Flash（关键能力），闲聊与代码为手写

## 六、许可

**继承底座 LFM Open License v1.0**，不是 Apache 2.0。仓库里附了 [LICENSE](./LICENSE) 原文。

核心条款（摘录，**以 LICENSE 原文为准**）：

| 条款 | 内容 |
|---|---|
| **商用门槛** | 你或你所属法律实体的**年营收未达 1000 万美元**（$10,000,000）时允许商用；<br>**达到或超过**该额度，商用**不在本许可范围内**，需与 Liquid AI 另行签约 |
| **非营利例外** | 合格非营利组织（501(c)(3) 或等效）做非商业/研究用途，不受该门槛限制 |
| **再分发要求** | 必须附上本许可副本；修改过的文件要显著标注"已修改"；保留原有版权/署名声明 |
| **商标** | 不得使用 Liquid AI 的名称或商标，描述来源的合理引用除外 |
| **免责** | 按 "AS IS" 提供，不附带任何担保 |

> 本模型是在 LFM3-1.7B 上做 LoRA 微调得到的**衍生作品（Derivative Work）**，上述条款同样适用于本模型。

## 七、项目信息

- 训练脚本与数据生成器：[GitHub · hwc-cell/FinchAI-Rune2](https://github.com/hwc-cell/FinchAI-Rune2)
- 上一代：[whcl412/FinchAI-Rune1-Preview-v2-f16](https://huggingface.co/whcl412/FinchAI-Rune1-Preview-v2-f16)
- 底座：[LiquidAI/LFM3-1.7B](https://huggingface.co/LiquidAI/LFM3-1.7B)