ARTI 指南
在本机运行阅读问答
加载现成的中英文程序，回答一小段材料，再换成自己的问题。无需训练或 GPU；首次模型下载约 1.2 GB。
- 01下载上手包5.2 MB
- 02安装一次Python · CPU
- 03得到第一个答案已记录的示例
- 04换成你的材料粘贴并继续提问
1. 下载可以直接运行的上手包。
已保存的英文程序、中文程序和一个脚本。解压 ZIP，在 arti-reading-starter 文件夹中打开终端。
下载上手包 · 5.2 MB ↓开始前知道这些
使用 Python 3.10+ 和 CPU，无需训练或 GPU。首次还要下载约 1.2 GB 基座模型，以及 Python 依赖。建议电脑配备至少 8 GB 内存。
安排第一次下载与等待
只计算 1.2 GB 基座文件：持续 20 Mbps 约需 8 分钟，100 Mbps 约需 2 分钟。这是按文件量计算的下载预算，不含依赖、服务器限速、安装、模型载入与回答。
目前没有跨设备的公开载入与回答耗时范围。终端会分别提示下载、载入和生成；交互模式中的后续问题复用已载入模型。
模型开发者的第一个可运行例子
先运行一份保存的计算，再构建自己的组件。Qwen 负责读文本；ARTI 根据声明和已学习数值重建挂载程序。准备定义不同计算时，再进入模型集成。
查看组件怎样接入模型 ↗2. 安装 CPU 环境。
在解压后的文件夹内运行这些命令，创建独立环境，安装 CPU Torch 与固定版本运行依赖。
python -m venv .venv
.venv\Scripts\python -m pip install "torch==2.11.0" --index-url https://download.pytorch.org/whl/cpu
.venv\Scripts\python -m pip install -r requirements.txt3. 得到第一个答案。
.venv\Scripts\python ask.py --language zh第一次运行从 Hugging Face 下载公开基座。脚本随后在 CPU 上加载已保存 ARTI 程序，回答包内问题，显示答案并写入上手文件夹中的 answers.jsonl。
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。
成功标志是终端显示生成的答案，并生成 answers.jsonl。以后复用 model-cache/ 中的模型文件。
4. 换成你的材料，再问一次。
.venv\Scripts\python ask.py --language zh --interactive- 粘贴一小段材料，用空行结束。
- 输入关于这段材料的问题。继续提问时，不必重新加载模型。
- 输入 /quit 退出。再次运行命令即可换一段材料。
先从约一百字的短材料开始。脚本检查完整输入与答案预算，过长时提示缩短。保留原文，方便核对答案。
ARTI 在这个结果中做了什么。
Qwen 负责读文本。已保存的 ARTI 非线性程序挂载在最后两层 MLP 后。包内保留程序配置、131,072 个可学习值与分词器身份，公开预测器根据清单重建这个受支持配置。
这个上手包选择了一个非线性残差程序。标准 LoRA 同样可以表达为 ARTI Formula。ARTI 提供组合更新、路由和显式状态的程序语言；效果取决于所选择的计算和训练。
普通阅读问答可以直接使用已有模型接口。需要定义并保留模型中的可学习计算时，再选择 ARTI。这个例子让你检查那份程序与它的资产。
动手改一次：给 LoRA 加入 SiLU。
在低秩投影之间增加一个非线性节点。输入接口、A/B 数值和执行器继续复用，把新声明保存为 JSON，再重新加载。这个练习使用上面的 CPU 环境，无需下载基座模型。
改动前
base + B(Ax)改动后 · gain = 1
base + B(SiLU(Ax))hidden = api.scalar_map(hidden, mode="silu")下载完整练习脚本 ↓ 保存到上手包文件夹，再运行：
.venv\Scripts\python change_lora_program.py- 先运行下载的原脚本，生成 program-change/program.json 与 result.json。
- 打开 Python 文件，在 with_nonlinearity() 中将 mode='silu' 改为 mode='tanh'，再次运行同一条命令。
- 核对 same_bindings 为 true、五条指令、输出变化大于零，以及 reload_max_abs_difference 为 0。保存的声明现在包含 tanh。
已记录运行使用四个固定的 1024 维神经层输入，65,536 个 Bank 数值保持不变。程序从 4 条变成 5 条指令，输出随计算改变；重载保存的声明后，精确复现改动后的输出。
这是零次训练更新的神经组件改写练习。初始化数值与输出变化不代表阅读效果；新任务程序仍需自己的训练和评价。
在本页查看已记录的 SiLU 结果
{
"scope": "Fixed neural-layer computation edit; zero training updates",
"input_shape": [
1,
4,
1024
],
"rank": 32,
"bank_values": 65536,
"before_instructions": 4,
"after_instructions": 5,
"same_bindings": true,
"output_max_abs_change": 0.1494123935699463,
"reload_max_abs_difference": 0,
"script_sha256": "b8ce7c4788fae07480c0187326e68594f7f41b3cfe9b944df9231995f16b9628",
"package": "arti-fit==3.3.0"
}接下来，按需求继续。
- 自己的材料：继续使用本地脚本。
- 修改计算：进入模型集成与运行时指南。
- 重新训练阅读配置：进入中英文完整训练案例。
本文对应 arti-fit 3.3.0 · 公开源码 dcb321d6