Pawlette 爪喵陪伴

训练一个二次元少女风格的端侧模型。 项目不包含任何预训练权重或数据，只开源模型基础示例。

---

项目结构（Minimind风格）

.
├── model/           # 模型定义与配置
├── dataset/         # 数据加载与预处理
├── out/             # 输出目录（检查点、日志等）
└── environment.yml  # 依赖列表
other files...

详细文件随着后续更迭会有所改动，但是大致目录基本不会变

---

预训练流程

1. 环境安装

• 作者对配置环境也很懵QvQ，这里我就直接将相关的环境依赖都保存在environment.yml里可以参考

2. 准备数据

• 数据格式：请使用 JSONL，字段名为"text"，内容。
• 将数据文件放入 dataset/ 目录下。
• 如需自定义数据读取逻辑，请修改 dataset/ 中的对应文件。

3. 准备分词器

• 分词器文件（tokenizer.json, config.json 等）应放置于 model/ 或指定路径。Pawlette暂时使用Minimind项目的分词器进行训练。
• 可使用已有模型（如 Qwen、ChatGLM、GPT-2）的分词器，或自行训练。

4. 启动训练

cd trainer/
python train_pretrain.py

🔧 所有参数均可自行调整

---

Pawlette Chat Markup Language (PCML)

完整的 PCML 协议规范请参阅：PCML.md

PCML 是 Pawlette 的对话模板标准化规范，负责将 OpenAI 格式的消息列表无损映射为模型可理解的线性 Token 流，支持思维链、工具调用等高级功能。

技术特色

LongSSM隐藏状态复用机制

Pawlette采用了来自LongSSM论文的技术改进：

• 问题：传统SSM使用零初始化隐藏状态在长度外推上表现不佳
• 解决方案：在一个batch内，第一个序列依然使用零初始化，但从第二个序列开始直接复用前一个序列的隐藏状态
• 效果：显著改善模型的长序列处理能力和长度外推性能，同时节省计算资源

LongSSM论文参考：LongSSM: On the Length Generalization of State-Space Models

---

历程

• 2026.1.6:技术改进:实现LongSSM隐藏状态复用机制,改善长度外推性能 | 方向确立:借鉴IQuest-coder-v1,Pawlette框架设计打算将方向从"较大参数但稀疏激活"转为"超低参数但重复激活" | 将PSDP协议确立为PCML协议
• 2025.10.1:PSDP协议草稿设计完成
• 2025.9.23:项目结构基本设计完成
• 2025.9.7:Pawlette start ~

联系方式

• hujiyo
• 邮箱：[email protected]
• 项目状态：[实验性]

---

许可证

[MIT]

---

进入炼丹交流群

• 加V：wx17601516389后回复“炼丹交流群”即可

---