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。图书可以借阅多久？
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。
先拿到答案的短路径
上手包包含已训练中英文 Formula 推理程序、分词器和 CPU 脚本。先运行它，无须下载训练数据或创建 GPU 环境。
ZIP 为 5.2 MB。第一次运行另需下载固定的约 1.2 GB Qwen 基座与 Python 依赖。后续运行复用已经下载的模型文件。
CPU 示例使用自编材料，与 benchmark 评分分别记录。这个小模型可能误读材料，需要将答案与原文核对。
01 / 要做什么
知识助手的第一步，是先把材料读准确。这个案例使用中文机器阅读理解数据，让模型从给定材料中找出答案，减少解释和绕话。
这个案例使用 ARTI 公开的 Formula adapter 配置；评测范围未覆盖架构搜索或前向可塑性。
02 / 可选：重新训练配置
下面的 GPU 步骤复现训练配置和比较，与上方 CPU 上手分别进行。
将上面的 Python 文件和依赖文件下载到同一目录。训练需要 CUDA GPU 和兼容的 PyTorch 安装。依赖文件固定了复现脚本使用的软件版本。
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install torch==2.11.0 --index-url https://download.pytorch.org/whl/cu128
.\.venv\Scripts\python.exe -m pip install -r reading-requirements.txt后面的训练与预测命令，会自动使用所选环境的解释器路径，不需要激活环境。
脚本下载固定的公开模型和作者托管数据，保留原始 ID，并构建这里使用的 512 / 128 / 256 训练、验证、留出切片。不静默截断材料或答案。
.\.venv\Scripts\python.exe reading_qa.py prepare --work reading-qa-work
.\.venv\Scripts\python.exe reading_qa.py run --work reading-qa-work --language cmrc --method arti --seed 17第一次准备会下载约 1.2 GB 模型权重，以及分词器和数据。它们保存在 reading-qa-work，后续复用。训练 200 次更新，批量 8；不使用留出集选择检查点。
可下载脚本内部使用原生 recipe。如果你已有 chat JSONL 数据，可以直接从它的配置开始。
from pathlib import Path
from huggingface_hub import snapshot_download
from transformers import AutoTokenizer
from arti.language_recipe import CausalLMRecipe
from reading_qa import BASE, REVISION, config, load_base
work = Path("reading-qa-work").resolve()
base = snapshot_download(BASE, revision=REVISION,
cache_dir=work / "hub-cache", local_files_only=True)
settings = config(work, "cmrc", 17, work / "my-native-run")
recipe = CausalLMRecipe(settings, model=load_base(base),
tokenizer=AutoTokenizer.from_pretrained(base))
print(recipe.plan())
result = recipe.fit()
print(result["model"])03 / 真实回答
固定相同基座和参数预算。结果来自实际贪心生成答案，使用对应数据集的官方评分规则。
EM 按任务规则完全匹配的答案比例。 F1 预测与参考答案的词语 / 字符重合得分。
可学习值 · 0
可学习值 · 131,072
可学习值 · 131,072
可学习值 · 131,072
| 公式 / 实现 | 参数 | EM ↑ | F1 ↑ |
|---|---|---|---|
| 固定基座单次固定基座 | 0 | 46.88— | 71.71— |
| SiLU 残差 · PyTorch3 个随机种子 | 131,072 | 48.31± 0.23 | 72.15± 1.23 |
| LoRA · PEFT3 个随机种子 | 131,072 | 46.88± 1.95 | 70.77± 1.40 |
| SiLU 残差 · ARTI3 个随机种子 | 131,072 | 48.31± 0.23 | 72.15± 1.23 |
EM / F1 为百分数；适配方案报告种子 17、29、43 的均值和样本标准差，固定基座测量一次。这是固定公开 dev 切片，不是官方隐藏测试榜成绩。
这个案例选择最后两层 MLP 后的 SiLU 残差程序。PEFT 行使用 value projection 上的标准 LoRA。两者公式和挂载位置不同；分数比较的是所选配置，不是框架的表达能力。
LoRA 本身就可以是 Formula。要比较实现，必须对齐公式、A/B 权重、挂载、缩放和精度。同公式核对先完成这一步，再讨论更广的程序组合。
本案例保存的非线性程序保留声明与数值。两种语言的独立重载共复现 512 个留出答案；三次更新的续训对照保留相同参数与数据游标。
单星是不和任何其他同类星体组成聚星系统的单一天体。恒星、行星、小行星都存在单星系统。长久以来人们一直认为宇宙中大部分的恒星是聚星系统。以双星和三合星较为多见。单星反而较少。然而，根据2006年的一项研究，银河系中的主序星有2/3都是单星，改变了人们的传统认识。单星构成的恒星系统最为简单，围绕恒星运行的小星体(例如行星)的轨道比较简单，不会因为受到多个大天体的影响而走出怪异的路线，从而较容易维持合适的环境、温度和光照，有利于生命的存在。单星也可能因为位置的缘故，被人错认为和另一颗恒星组成双星。实际上两者之间并无相互旋转的运动关系。这样的双星被称为光学双星。太阳一般认为就是一个单星。尽管存在着未经证实的太阳伴星的传闻。可能是因为形成方式的不同，行星和小行星大多是单星。只有少数的小行星或者卫星构成双星系统。但是某些大型的卫星有时也被认为是与自己的母星构成双行星系统。例如:单星的定义是什么？
单星是不和任何其他同类星体组成聚星系统的单一天体。
单星是不和任何其他同类星体组成聚星系统的单一天体。
单星是不和任何其他同类星体组成聚星系统的单一天体。
单星是不和任何其他同类星体组成聚星系统的单一天体。
固定顺序的第一个问题，种子 17；没有按效果选取例子。 CMRC2018 · CC BY-SA 4.0 · DEV_479_QUERY_0
04 / 你的材料
在 CPU 上手包中运行交互命令，粘贴一段短材料。继续提问，不必再次加载模型。
打开对应平台的完整交互命令 →创建 questions.jsonl，每行一个完整 ID、材料和问题对象。这条路径使用可选 GPU 步骤生成的资产。
{"id":"my-question-001","context":"图书馆工作日上午九点开门，周六上午十点开门，周日闭馆。","question":"图书馆周六几点开门？"}.\.venv\Scripts\python.exe reading_predict.py --work reading-qa-work --asset reading-qa-work/cmrc/arti-17/native-run/model --language zh --input questions.jsonl --output answers.jsonl