欢迎大家收看《RWKV 社区最新动态》，本期内容收录了 RWKV 社区 2024 年 11 月的最新动态。
只需 3 分钟，快速了解 RWKV 社区 11 月都有哪些新鲜事！
11 月动态省流版（TL;DR）
-
RWKV 学术研究动态
- 新论文：DFT（RWKV 股票价格预测模型）
- 新论文：Video RWKV（RWKV 视频理解框架）
- 新论文：RuleVM（RWKV 暴力监控框架）
- 新论文：MARWKV（RWKV 智能体强化学习）
- 新论文：RWKV-AttnInput（利用 RWKV 模型增强拼音输入法）
-
RWKV 模型新闻动态
- RWKV-6-World-7B-v3 模型正式开源发布
- RWKV-7 架构已确认最终代码，已发布 0.1B、0.4B 两种参数的模型
- rwkv.com 新增 RWKV 论文展示板块，可按分类查看 RWKV 相关的学术研究
-
RWKV 活动
- 11 月 23 日，RWKV 团队在南京大学进行技术分享，RWKV 创始人彭博在线回答校友提问
- 10 月 30 日，RWKV 团队在浙江大学进行技术分享
-
RWKV 社区项目动态
- RWKV-15Puzzle：一个基于 RWKV-v6 的 15 谜题问题求解模型
- rwkv-qualcomm 项目最新进展：支持 RWKV-V5 和 RWKV-V6 模型，支持 fp16/a16w8/a16w4 等量化
- Sudoku-RWKV 发布 Windows 和安卓应用程序
- 社区发布基于 RWKV 的中文微调模型：ChatRWKV-6-World-7B-v3-Chinese
RWKV 学术研究
DFT (RWKV 股票价格预测模型)
文章提出了用于股票价格预测的 DFT（Dual-branch Framework of Fluctuation and Trend）框架，旨在解决现有方法在捕捉短期波动和探索股票时间关系方面的不足。
DFT 框架将股票分解为趋势和波动双分支，并引入 RWKV 模型有效建模时间相关性，充分挖掘复杂的跨时间因果关系和股票相关性。DFT 框架在多个股票数据集上展现出卓越的性能，为股票价格预测提供了更有效的途径。
![]()
Video RWKV (RWKV 视频理解框架)
论文提出了用于视频动作理解的 LSTM-CrossRWKV（LCR）框架，将 RWKV 引入视频领域。该框架通过创新的 Cross RWKV 门和 LSTM 循环执行机制，有效捕捉时空特征，利用边缘信息减少冗余，
LCR 框架在多个数据集上表现出色，为视频分析提供了高效解决方案。
![]()
RuleVM（RWKV 暴力监控框架）
论文提出了新的弱监督暴力监控框架 RuleVM。RuleVM 使用 RWKV 架构作为其轻量级事件序列模块，并使用相对距离代替特征相似性。这种机制使模型更加轻量级，因为它只考虑画面帧间的相对距离，无需评估高维特征相似性，从而有效降低计算复杂性，有助于降低计算成本、提高训练和推理效率。
![]()
MARWKV（RWKV 智能体强化学习）
论文提出 MARWKV（Multi Agent RWKV）架构，以实现多智能体强化学习（MARL）。实验结果表明：MARWKV 在 MARL 基准测试中的表现与 MAT（Transformer）相当，并且具有类似的少样本学习能力，且在 Agent 数量较多时拥有更好的计算效率。
![]()
RWKV-AttnInput（拼音输入法）
AttnInput 利用 RWKV 语言模型的优势来增强拼音输入法，通过轻量级端侧网络将拼音信息直接集成到 RWKV 的内部状态中，有效解决了之前基于 LLM 的输入法所面临的语义不连续问题。
![]()
RWKV-AttnInput 的作者是 RWKV 社区成员 @桂之瑜。
RWKV 官方新闻动态
RWKV-6-World-7B-v3 模型正式开源发布
2024 年 11 月 13 日，RWKV-6-World-7B-v3 模型正式开源发布。
对比 RWKV-6-World-v2.1 模型，RWKV-6-World-v3 模型新增了 World-v3 数据集（约 3.1T tokens），对比 v2.1 数据集补充了优质英文网页、代码、中文小说、多语言数据、数学数据、指令数据等。
更多的训练数据带来更好的模型性能，RWKV-6-World-7B-v3 的各方面能力显著增强，包括中文小说、对话、代码、数学能力。
更多细节阅读：RWKV-6-World-7B-v3 模型正式开源发布，新增 3.1T 训练数据
RWKV-7 架构已确认最终代码
RWKV-7 架构已确认使用 "rc4a" 版本最为最终代码，可以在 GitHub 仓库 RWKV-LM/RWKV-V7 中查看代码。
RWKV-7 架构已发布 0.1B 和 0.4B 两种参数的模型（基于 pile 数据集），可以在 RWKV-7 Hugging Face 仓库中下载试用。
RWKV-7 架构的设计思路，请阅读：RWKV-7 as a meta-in-context learner，从第一性原理真正理解
rwkv.com 新增 RWKV 论文展示板块，支持分类查看 RWKV 相关的学术研究：
![]()
RWKV 社区活动
此版块包含 RWKV 官方动态 ，以及 RWKV 社区举办或参加的各类活动。
RWKV 进高校第二站：浙江大学
应浙大研究生创新创业中心和浙大人工智能协会的邀请，RWKV 开源项目团队于 10 月 30 日在浙大紫金港校区做了一次主题分享《RWKV 技术产品化与生态及模型架构》，现场反响热烈。
RWKV 进高校第三站：南京大学
应南京大学人工智能学社的邀请，RWKV 团队于 11 月 23 日在南京大学仙林校区做了一次技术分享，RWKV 创始人彭博也在线回答了校友的提问。
这次分享活动吸引了南京大学、东南大学、南京航空航天大学等多所高校师生参与，RWKV 团队与嘉宾们进行了深入的沟通交流。
欢迎更多高校来交流、了解 RWKV 这种新型大模型架构。同时也欢迎科研工作者和创业者使用 RWKV，我们可以提供技术支持。
- 联系微信：jadexlaw
- 邮箱：luoxuan@rwkvos.com
RWKV 社区项目动态
此版块主要包括"RWKV 社区的新项目 "和"RWKV 社区项目的重要更新"等内容。
RWKV-15Puzzle（RWKV 15 谜题模型）
RWKV-15Puzzle 是一个专门的 RWKV-v6 模型，经过 500k 个 15 谜题样本（约 23 亿个 token）的训练，专门用于解决 15 谜题问题。
RWKV-15Puzzle 由 RWKV 社区成员 @Jellyfish042 完成，训练代码和数据制作脚本均已开源：
GitHub 仓库： https://github.com/Jellyfish042/RWKV-15Puzzle
![]()
rwkv-qualcomm 项目最新进展
rwkv-qualcomm 项目由 RWKV 社区成员 [@Molly Sophia](https://github.com/MollySophia "RWKV 社区成员 Molly") 开发，使用 QNN SDK 在高通平台上调用 HTP 进行 RWKV 模型推理。
rwkv-qualcomm 目前支持 RWKV-V5 和 RWKV-V6 模型，支持 fp16/a16w8/a16w4 等量化方式。其中，rwkv v6 的核心 wkv 算子使用 QNN 的 customop 功能，调用 Hexagon HVX SIMD 单元。
rwkv-qualcomm 的推理速度表格：
在配备 HTP v75 的高通骁龙 SM8650（小米 14）上推理：
| 模型 | 精度 | 每秒生成 token | LAMBADA perplexity 和 accuracy | | --- | --- | --- | --- | | RWKV v6 1.6B | att-a16w8 + ffn-a16w4 | 42.4368 | TODO | | RWKV v6 1.6B | a16w8 | 31.6564 | 4.75009，66.3497% | | RWKV v6 1.6B | fp16 | 15.0434 | 4.63598，67.2618% | | RWKV v6 3B | att-a16w8 + ffn-a16w4 | 21.3172 | TODO | | RWKV v6 3B | a16w8 | 16.2146 | TODO |
（实验性）使用自定义 WKV 内核运行推理：
| 模型 | 精度 | 每秒生成 token | LAMBADA perplexity 和 accuracy | | --- | --- | --- | --- | | RWKV v6 1.6B | att-a16w8 + ffn-a16w4 | 47.6698 | TODO | | RWKV v6 7B | a16w4 | 12.9782 | TODO |
Sudoku-RWKV 发布 Windows 和安卓应用程序
Sudoku-RWKV 是一个用于解决数独谜题的专用 RWKV 模型，现已支持解开最高难度的数独难题。
Sudoku-RWKV 现已有 Windows 和安卓两个版本的应用程序，下载地址：
先点击 New Game 按钮，再点击 Start Model 按钮，即可查看 Sudoku-RWKV 的 CoT 推理和可视化过程：
![]()
社区微调的 RWKV 中文模型
RWKV 社区成员使用大量中文数据对 RWKV-6-7B-World-v3 模型进行指令微调，微调后的模型被命名为 ChatRWKV-6-World-7B-v3-Chinese 。经过测试，微调模型在各项中文任务上的能力均有进步。
User: 你能写一首关于春天的七言律诗吗？
Assistant: 春风拂面花儿笑，柳絮飘飞舞翩跹。
桃李争妍红似火，莺啼燕语乐无边。
田野绿意铺锦绣，溪水潺潺奏清泉。
春光明媚人心醉，世界一片生机鲜。
User: 你能解释一下诗中的意象吗？
Assistant: 当然可以。这首诗描绘了春天的美景，每一个意象都充满了生机与活力。
1. **春风拂面花儿笑**：这里的"春风"象征着新生命的到来，而"花儿笑"则是指万物复苏，生机勃勃。它们共同构成了一幅温暖、欢快的画面。
2. **柳絮飘飞舞翩跹**：柳絮是春天特有的景观，它们在微风中轻盈飞舞，给人一种轻盈、自由的感觉。
3. **桃李争妍红似火**：桃李是春天开放的花朵，其颜色鲜艳如火焰般绚烂。这里用"争妍"表示竞相开放，展现出大自然复苏后的繁荣景象。
4. **莺啼燕语乐无边**：莺和燕是春天常见的鸟类，它们清脆悦耳的鸣叫声为大地带来无尽欢乐与希望。
5. **田野绿意铺锦绣**：田野上绿草如茵，仿佛铺设了一片翠绿色的地毯。这里形容了春天大地复苏后生机盎然、色彩斑斓的景象。
6. **溪水潺潺奏清泉**：溪水在山间流淌发出悦耳动听之声，形象地描绘了自然界中最纯净、最美妙的声音。
7. **春光明媚人心醉**：整首诗通过对春天各个方面细腻而生动的描写，展现出一幅充满活力与希望
该中文微调模型现已开源，可在 ModelScope 仓库中下载。
微调数据总量约 1.04B tokens，中英文占比为 7:3，在 4×H800 集群上训练了 25 小时。更多数据和训练细节可在 ModelScope 仓库中找到。
值得一提的是，微调模型的 MMLU 零样本成绩为 55.1% （作为对比，基底模型的成绩为 53.9%），这证明增加高质量数据能够有效增强 RWKV 模型的泛化能力和对复杂任务的适应性。
关于《RWKV 社区动态》栏目
《RWKV 社区动态》栏目会不定期播报 RWKV 社区的最新消息，以帮助 RWKV 的关注者、爱好者、开发者更好地了解 RWKV 的发展情况。
《RWKV 社区最新动态》不定期更新，所以请保持关注我们的微信公众号（RWKV 元始智能）、QQ 频道（RWKV）等公开平台，以获取最新的消息。
加入 RWKV 社区
RWKV 是一种创新的深度学习网络架构，它将 Transformer 与 RNN 各自的优点相结合，同时实现高度并行化训练与高效推理。
欢迎大家加入 RWKV 社区！可以从 RWKV 中文官网了解 RWKV 模型，也可以加入我们的 QQ 频道和群聊，一起探讨 RWKV 模型。
