参数量
5,059,040
权重体积
约 20 MB
端到端延迟
100 – 200 ms
训练硬件
消费级 CPU
延迟为 i7-12700H、PyTorch 2.0、seq_len 256 的单次实测区间
它是什么
一个冻结的语义基座：中文文本进，结构化语义表征出。
- 输入
- 中文自然语言文本，经配套分词器转为 token，序列长度 256。
- 输出
- 编码空间语义向量、洛书空间状态向量、64 维卦象原型向量。
- 架构
- 双轨阶梯网络（Bilateral Ladder Network），通用语料与易经古典文本预训练。
- 范式
- 冻结道体 + 轻量适配。核心权重收敛后不再改动，新知识只进适配器。
仓库里有的
- 模型权重与 SHA256 校验文件（weights/）
- 推理接口（daoti/inference.py）
- 基准脚本（scripts/eval_benchmark.py）
- 白皮书与 6 篇工作论文（docs/）
- Colab 演示 notebook（notebooks/）
仓库里没有的
- 完整训练代码
- 数据配方
- 架构设计的细节与意图
以上三项需通过邮件另行授权。权重受 DaoTi Research License v1.0 约束，代码为 Apache 2.0。
一个被观察到的现象
核心投影层收敛到一个近乎平坦的解空间。我们把它称为退化基态。
F(d) ∝ d⁰
检索损失在 text_proj 方向上与该方向的距离 d 无关 —— 多个等价解共存， 参数可以不同，行为却一致。这正是「冻结基座仍然有效」的原因。
- V91
- 五条殊途，同归一果。5 次随机初始化 text_proj，top-1 均为 100%，但两组表征的 CKA 均值仅 0.267。
- V90
- 推离之后不再回归。回归率为负。损失景观在 text_proj 方向上近乎完全平坦，改不改都落在同一片谷底。
这条结论的边界
目前只在数百万参数规模上确认。更大规模的模型是否同样成立，尚未验证 —— 这是范式能否推广的核心风险，白皮书 7.4 节有同样的表述。
它能做什么
六条能力，每条都对应仓库里能跑起来的接口。
- 八项结构化输出
- 八宫、六亲、六神、天干、地支、旺相、动爻、五行，全部由一次前向给出。
- 三种起卦方法
- traditional（周易）、meihua（梅花易数）、liuyao（六爻），同一权重切换方法头。
- RAG 自校准
- 以结构化结果为检索键匹配知识库条目；相干性低于 0.3 时主动声明不确定。
- 领域适配器
- 冻结核心，只训 LoRA。自己的 JSONL 数据即可扩到新领域，不改道体。
- 物理参数适配
- 外挂输入编码器与回归头，把物理参数映射到光谱，核心仍保持冻结。
- 架构内置约束
- 领域分类器前置、卦象熵判模糊、相干性门控过滤杂散信号，不依赖外部规则。
八项符号推理
99.96%
平均准确率 · 白皮书 5.2
领域分类
98.3%
8 领域总体 · 白皮书 5.3
冻结适配 V57
98.0%
8 epoch 收敛 · 白皮书 5.4
以上为白皮书自报数字。跑 python scripts/eval_benchmark.py 会输出 benchmarks/benchmark_results.json，包含八宫分类、64 卦检索 top-1/top-5、 相干性分布与随机基线对比，可逐项核对。
四行命令，自己验一遍
不上传、不注册、不需要 GPU。
git clone https://github.com/zhibaiYingChuan/DaoTi.git
cd DaoTi
pip install -r requirements.txt
python scripts/eval_benchmark.py基准脚本不依赖任何未公开组件。输出写进 benchmarks/benchmark_results.json。 不想装环境，可以直接在浏览器里跑 Colab notebook，免费 CPU 约 5 分钟走完完整推理。
| 项目 | 最低 / 推荐 | 最低 | 推荐 |
|---|---|---|---|
| 内存 | 2 GB → 8 GB | 2 GB | 8 GB |
| 存储 | 50 MB 空闲 → SSD | 50 MB 空闲 | SSD |
| CPU | x86_64 with AVX2 → 4 核 2.5 GHz 以上 | x86_64 with AVX2 | 4 核 2.5 GHz 以上 |
| Python | 3.8+ → 3.10+ | 3.8+ | 3.10+ |
| PyTorch | 1.13+ → 2.0+ | 1.13+ | 2.0+ |
GPU 推理可选，约 3–5 倍加速，最低 1 GB 显存。
五十一个版本的来路
从 V50 到 V91，每一步都有实验记录可查。
- 筑基 · V50 — V53
- 四阶段课程学习：蒙学启蒙 → 开蒙筑基 → 通识浸润 → 专业深造。Top-1 93.8% → 96.1%
- 破茧 · V54 — V57
- 关键发现：冻结预训练权重优于全量微调，范式由此确立。Top-1 98.0%
- 参悟 · V60 — V70
- 跨域同构在 text_proj 上被确认，多配置普适性验证完成。道同构早停触发于 Epoch 77
- 证道 · V80 — V91
- 退化基态写成公式，多等价解共存被直接观测到。CKA 0.27 / top-1 100%
训练数据为古籍语料，不含 AI 生成内容；全部训练在消费级 CPU 上完成。 完整实验链见白皮书第四章与附录 A。
把结构画出来
三组可交互的概念可视化。它们演示结构，不运行模型。
三组演示都是结构性可视化，界面上的数值为示意近似值，不是真实推理结果。 要看真实输出，请按上一章在本地或 Colab 里跑模型。
能用什么，不能用什么
拆开写清楚，比一句「开源」有用。
- 代码 · Apache 2.0
- 推理、训练适配器、基准与演示代码均可商用与修改，保留版权声明并附带专利授权。
- 权重 · Research License v1.0
- 允许推理使用。以下三件事明确禁止：逆向权重以提取训练方法；用权重训练或蒸馏竞争模型； 把权重作为独立产品再分发或转售。
- 论文
- 6 篇都是独立研究者的工作文档，未经同行评审。引用前请自行判断。
- 术语
- 「规范场」「退化基态」「Goldstone 模式」是工程类比，不声称发现物理定律。
- 安全边界
- 领域门控与相干性约束能挡住特定类型的输入，但不保证覆盖全部攻击形式。
从哪儿开始
读代码、跑基准、提问题，或者直接写信。
架构源码 / 训练代码 / 数据配方不在公开仓库内，需另行授权。
spring60@foxmail.com