--- title: AetherMind-V5-300M-Instruct canonical_url: "https://www.modelscope.cn/studios/xuanxixue/AetherMind-V5-300M-Instruct" md_url: "https://www.modelscope.cn/studios/xuanxixue/AetherMind-V5-300M-Instruct.md" repository: xuanxixue/AetherMind-V5-300M-Instruct chinese_name: AetherMind-V5-300M-Instruct last_updated: 2026-09-16 sdk_type: gradio sdk_version: 5.49.1 downloads: 0 stars: 1 --- # AetherMind-V5-300M-Instruct > AetherMind-V5-300M-Instruct - xuanxixue 在 ModelScope 创建的在线 Demo。自研非 Transformer 架构 PMNN 的 300M 实验模型演示：复值振子场 + Kuramoto 相位锁相，页面实时展示模型内部真实物理演化（序参量 r / 平均相位 psi / 耦合强度 kappa / 温度 T），并逐条标注已知缺陷。这是架构验证 demo，不是可用产品。 xuanxixue/AetherMind-V5-300M-Instruct 是 ModelScope 魔搭社区上的在线可交互 Demo（创空间），基于 gradio 5.49.1 构建。 - **Repository**: xuanxixue/AetherMind-V5-300M-Instruct - **SDK**: gradio - **SDK version**: 5.49.1 - **Downloads**: 0 - **Stars**: 1 - **Last updated**: 2026-09-16 Source: https://www.modelscope.cn/studios/xuanxixue/AetherMind-V5-300M-Instruct --- # AetherMind-V5-300M-Instruct · 物理矩阵神经网络（实验演示） 🔗 **在线体验**：https://www.modelscope.cn/studios/xuanxixue/AetherMind-V5-300M-Instruct **自研架构**：复值振子场 + Kuramoto 相位锁相 + 驻波内容寻址 + 热力学退火。 🌐 **界面支持 11 种语言**（右上角切换）：中文 · English · Deutsch · Русский · 日本語 · English (US) · Español · हिन्दी · Italiano · 한국어 · සිංහල > ⚠️ **这是实验测试模型，不是可用产品。** 缺陷逐条明列在页内「实验说明」标签页。 ## 这个 Demo 想证明什么 不是为了"好用"，而是用可验证的方式证明三件事： 1. **这套物理架构真的能训练** —— 三个 checkpoint 是真实预训练产物（step 5000 / 11500 / 13000）， loss 一路在降； 2. **它真的能生成语言** —— 不是随机输出、不是套壳，切换检查点能明显看到语言质量随训练步数提升； 3. **它和 Transformer 在结构层面不是一类东西** —— 页内物理面板画的全是**真实前向诊断**。 ## 它和 Transformer 差在哪 | 维度 | Transformer | PMNN | |---|---|---| | 混信息的方式 | QKV 注意力（点积相似度） | Kuramoto 锁相 `dθ/dt = ω + κ·Σ sin(θ_j−θ_i)` | | 状态 | 实值向量 | 复值振子 `z = a·e^{iθ}` | | 位置信息 | 位置编码（RoPE/绝对） | 无位置编码，靠因果距离耦合 `i−j` | | 深度含义 | 堆叠层数 | **物理时间 t**，耦合强度 κ(t) 与温度 T(t) 沿深度退火 | | 可观测的中间量 | 注意力矩阵 | 序参量 r、平均相位 ψ、耦合强度 κ、有效温度 T、振幅熵 S | **关键**：序参量 `r`、耦合强度 `κ`、有效温度 `T` 在 Transformer 里**根本不存在**， 所以下面这张面板不是"换个说法画注意力"，而是另一个物理系统在演化。 ## 实测：300M 权重里真的发生了 Kuramoto 相变 用 step 13000 的真实权重跑一次前向，逐层读取序参量 `r`（16 层物理核）： ``` 层: 0 1 2 3 4 5 6 7 r : 0.316 0.283 0.222 0.124 0.049 0.054 0.168 0.269 层: 8 9 10 11 12 13 14 15 r : 0.381 0.429 0.429 0.267 0.163 0.072 0.161 0.454 ``` - 在第 5 层，`r` 从 0.32 **塌缩到 0.049** —— 振子几乎完全失同步（临界点）； - 之后重新爬升，第 15 层回到 **0.454**； - 同一过程中平均相位 `ψ` 的跨度约 3.12 弧度（≈ **180° 翻转**）。 这是**训练出来的**物理行为，不是写死的调度：耦合强度 `κ(t)` 与温度 `T(t)` 沿深度退火， 模型自己学会了"先解耦、再重锁相"的分层策略。Transformer 没有可以画这个的中间量。 ## 界面里有什么 | 标签页 | 内容 | |---|---| | ① 物理演化演示 | 输入问题 → 逐 token 生成，同时实时显示每一步**真实的**物理诊断 | | ② 与 Transformer 的结构差异 | 逐算子对照表 + 结构说明 | | ③ 实验说明与已知缺陷 | 参数量、数据量、全部已知缺陷（不隐藏） | 界面文案、三篇说明文档、物理面板图注全部随语言切换（词条在 `core/i18n.py`）。 两个刻意**不**翻译的地方：① 喂给模型的知识图谱提示词模板（`core/kg.py`）—— 该模型只见过中文模板，换成别的语言只会让注入更不可靠；② 物理公式与符号。 > 注意：Gradio 的标签页标题无法在运行时更新，所以导航改成了可动态换语言的 > 单选组 + 区块显隐（见 `app.py` 的 `nav` / `switch_lang`）。 ### 两张核心图 - **① Kuramoto 锁相演化**：复平面上 `N×K` 个振子的相位分布，随"层 = 物理时间"演化； 粉色矢量是序参量 `r·e^{iψ}`。同步度越高，点越聚成一束。 - **② 逐 token 物理响应**：横轴是生成的第几个 token，纵轴是物理层， 颜色是序参量 `r` —— 展示同步场沿「深度 × 时间」两个维度同时演化。 两张图的数据全部来自 `stream_generate(yield_stats=True)`，即**每生成一个 token 的那次 真实前向**的诊断，复用了本来就要算的前向，不额外增加算力，也不是示意动画。 ## 已知缺陷（摘要，详见页内） - 208M 参数，仅约 **2.13 亿 token** 预训练 ≈ 1 token/参数（Chinchilla 最优的 1/20） - **无 SFT、无指令对齐、无 RLHF** —— 它学的是"续写"，不是"回答" - 会复读、答非所问、事实错误率高、收尾不稳定、中文生硬 - 词表仅 8192；演示上下文限制 192 token - 知识图谱是**旁路演示**：只把三元组拼进提示词，模型本身未针对 KG 训练 ## 运行环境 纯 CPU fp32 推理（免费档 2 vCPU / 16GB）。单个 token 约 0.3~1.0 秒， 所以默认只生成 24 个 token；物理演化面板是逐帧回放，不额外占用算力。 ## 仓库结构 ``` app.py Gradio 主界面（含多语言切换） core/i18n.py 11 种语言的界面词条 core/loader.py checkpoint 懒加载与缓存 core/physics_viz.py 物理过程可视化（SVG 服务端渲染） core/kg.py 知识图谱旁路检索 pmnn/ 模型本体（与训练代码同一份） config.py 模型配置（与训练代码同一份） data/tokenizer.json 8192 词表（与训练时完全一致） checkpoints/*.pt 三个检查点（Git LFS） scripts/make_kg.py 内置演示图谱生成脚本 scripts/test_ui_i18n.py 多语言自检脚本（不启动服务器） ```