ARTI 给计算，自己的规则
把想法，写进模型。
给模型写下自己的计算。组合运算，选择可学习值，接回状态，留下可读、可运行的程序。
从 CPU 练习开始 · 加一处运算 · 留下一份声明
面向 Python 的神经运行时PyTorch / JAX3.3.0
一份计算，以线成形ARTI / FormulaScan
xₜ序列输入
hₜ₋₁传入状态
可学习值gain · retention
σ门控
tanh候选值
hₜ下一状态
Σ h累计状态
共享声明
15 条类型化指令。同一个有界递推，由 PyTorch 与原生 JAX 执行。
给计算，自己的规则
一个小想法， 响应就有了变化。
这次，你希望投影后的负值特征先温和一些，再进入下一次投影。保留输入和数值，在 Formula 中加入 SiLU，把这个行为写进声明。
LoRA 本身就可以是 Formula 程序。标量示意解释新增运算；它是否有利于某个任务，需要另外实验。
这一次，让投影后的特征先经过 SiLU，再进入下一次投影。
你加入的运算：SiLU
base + B(SiLU(Ax))
5 条指令65,536 个数值保持不变只看这一步运算：标量 −2 会变为约 −0.238，响应在进入 B 之前改变。
动手试一次 LoRA → SiLU分组展示固定神经层输入上的声明，gain = 1，零次训练更新。这里体现计算改写，不代表阅读效果提升。
你的第一份成果
一份声明， 让改动留下。
第一个练习从 LoRA 出发，加入 SiLU，保存并重载改写后的声明。最后留下可读的程序，以及改动前后的核对记录。
- 01拿到一份小脚本
- 02在自己的电脑上运行
- 03留下声明和记录
需要 Python 与 CPU 依赖，无需基座模型或训练。练习使用调用方提供的同一绑定重载声明。
你加入的运算
SiLU{"mode":"silu"}同一位置的输出 ·
y[0,0,0]0.2635770.212425
固定输入 · 加入 SiLU 前 / 后 · 记录值显示至六位小数
- 计算声明
- 4 → 5条指令
- 绑定的数值
- 65,536保持不变
你传入的状态h₀
5 步递推 [0, 0, 0]回到你手里的状态h₅
[0.170, 0.301, -0.119]0102030405
h[0]h[1]h[2]
让状态，回到你手里
起点由你传入， 下一步回到你手里。
在这份公开递推程序里，你传入一个初始状态。五步之后，程序返回新的状态，原来的状态保持不变。接下来怎样继续，仍由你安排。
沿着状态，继续看这里记录了五步状态流转，并非训练更新或阅读效果结果。PyTorch 与有界原生 JAX 执行同一声明。
把保存的成果，带回自己的电脑
接下来， 换成你的材料。
带走保存的中英文阅读程序。在自己的电脑上先运行小示例，再试试你的短说明、条款或材料。这是一个上手入口，模型能力仍需要你核对。
无需训练或 GPU，首次基座下载约 1.2 GB。小模型可能读错材料，回答需要与原文核对。
你提供的材料
北城图书馆工作日上午九点开馆，周六上午十点开馆，周日闭馆。图书可以借阅21天，每本图书允许续借一次。你的问题
图书可以借阅多久？
模型生成的答案21天
使用上手包中的已训练程序。示例展示实际输出，回答自己的材料时请与原文核对。
04 让成果留下
实验会结束， 成果可以继续。
可以检查的计算声明，可以重新加载的资产，以及受支持范围内能够继续的训练状态。
今天，从哪里开始？
先做一点， 再继续你的想法。
公开实现，下一步由你继续。
python -m pip install "arti-fit==3.3.0"