大整理: 仓库重组 + 新词表 + 新README

- 清理仓库: 删除所有废弃的generate_*脚本和旧版数据文件
- 目录重组:
  - data/       → 训练数据
  - scripts/    → 数据生成脚本
  - templates/  → Web UI
- 重命名:
  - train_v2.py  → train.py
  - vocab_v3.json → vocab.json (BPE, 6.8k tokens)
- 更新 train.py 指向新词表路径
- 重写 README.md 完整文档
- 更新 .gitignore

.gitignore

@@ -2,54 +2,26 @@
 __pycache__/
 *.pyc
 *.log
-# 模型文件 — 只追踪发布版本
-*.pth
-!/llm_model_v2_resume_epoch_7.pth
 /tmp/
 
-# 中间数据（旧版临时文件）
-mega_interim_*.json
-essay_interim_*.json
-checkpoints_v2/
+# 模型权重 — 只追踪发布版本
+*.pth
+!/llm_model_v2_resume_epoch_7.pth
+
+# 中间输出目录（生成脚本的输出）
 high_temp_outputs/
 diverse_answers/
 fresh_qa_outputs/
 multiturn_outputs/
+checkpoints_v2/
 old_ckpts/
 backup_old_arch/
 
-# 旧版数据（不再使用）
-xiaoli_mega_*.json
-xiaoli_multiturn_memory*.json
-xiaoli_offline_distill*.json
-xiaoli_personality*.json
-xiaoli_safety*.json
-xiaoli_sassy*.json
-xiaoli_short_cot*.json
-xiaoli_cot*.json
-xiaoli_distill*.json
-xiaoli_diverse*.json
-xiaoli_drowning*.json
-xiaoli_english*.json
-xiaoli_final*.json
-xiaoli_girl*.json
-xiaoli_knowledge*.json
-xiaoli_math*.json
-xiaoli_merged_data.json
-xiaoli_body*.json
-xiaoli_child*.json
-xiaoli_cute*.json
-xiaoli_complete*.json
-xiaoli_data_optimized*.json
-xiaoli_riddle*.json
-xiaoli_final*.json
-
-# 测试输出
-test_*.json
-test_*.py
-/var/folders
-
-# 旧版配置文件
+# 旧版废弃数据
+xiaoli_*.json
+mega_interim_*.json
+essay_interim_*.json
+distill_*.json
 cot_*.json
 memory_long*.json
 multiturn_batch_*.json
@@ -60,7 +32,16 @@ essay_questions*.json
 cot_candidates*.json
 model_test_results*.json
 online_distill_report*.json
+
+# 测试/临时文件
+test_*.json
+test_*.py
+/var/folders
+
+# 日志
 batch_runner*.log
 mega_*.log
 mimo_*.log
 knowledge_*.log
+train_*.log
+web_server*.log

README.en.md

@@ -1,29 +0,0 @@
-# xiaoli-llm-chat
-
-#### Description
-XiaoliAI - A casual chat & psychological therapy model designed to run on the smallest devices.
-
-A from-scratch domain-specific Transformer. No pre-trained base model, no fine-tuning, no alignment — train it and talk to it directly.
-
-#### Features
-- **Ultra-lightweight**: 13M params, ~20MB footprint
-- **From Scratch**: Not based on LLaMA/GPT or any backbone
-- **Ready to Use**: No SFT / RLHF needed
-- **Safe by Design**: Data-embedded alignment, no harmful outputs
-- **Emotional Companion**: Built for conversation, not general tasks
-
-#### Tech Stack
-- Architecture: Causal Decoder-Only Transformer (RoPE + RMSNorm + SwiGLU)
-- Tokenizer: Character-level (3236 vocab)
-- Training: Custom QA data + Astron API distillation
-
-#### Use Cases
-- Child emotional companionship
-- Lightweight psychological support
-- IoT / Embedded offline chat
-- Privacy-focused local conversation
-
-#### Performance
-- Memory: ~20MB
-- Inference: Real-time on CPU (no GPU needed)
-- Runs on: Raspberry Pi, phones, smartwatches, low-end PCs

README.md

@@ -1,29 +1,95 @@
-# xiaoli-llm-chat
+# 小狸 AI — Xiaoli Chat
 
-#### 介绍
-小狸AI - 旨在最小设备上运行的闲聊心理治疗模型
+> 一个从零训练的 **13M 参数闲聊心理治疗模型**。纯 CPU 实时推理，无需 GPU。
 
-从零训练的特化 Transformer，不依赖任何预训练模型，无需微调对齐，训练完可直接对话。
+小狸是一个 8 岁小女孩的角色化对话 AI，基于 Causal Decoder-Only Transformer 架构，支持日常闲聊、情感陪伴、角色扮演等场景。
 
-#### 模型特点
-- **超轻量**: 仅 13M 参数，约 20MB 占用
-- **从零训练**: 不基于 LLaMA/GPT 等任何基座，权重完全随机初始化
-- **开箱即用**: 无需 SFT / RLHF，训练完即可对话
-- **安全可控**: 数据内嵌对齐，天然不输出违规内容
-- **闲聊陪伴**: 专注情感价值，不追求通用能力
+## 快速开始
 
-#### 技术栈
-- 架构: Causal Decoder-Only Transformer (RoPE + RMSNorm + SwiGLU)
-- 分词: 字符级词表（3236 tokens）
-- 训练: 自建问答数据 + Astron API 蒸馏
+```bash
+# 1. 推理（对话）
+python3 -c "
+import json, torch
+from llm_chat_improved import LLMModel, LLMChat, tokenizer_instance
 
-#### 使用场景
-- 儿童情感陪伴
-- 轻量级心理倾诉
-- IoT / 嵌入式设备离线对话
-- 隐私安全的本地聊天
+vocab = json.load(open('vocab.json'))
+ckpt = torch.load('llm_model_v2_resume_epoch_7.pth', map_location='cpu')
+cfg = ckpt['model_config']
 
-#### 性能
-- 内存占用: ~20MB
-- 推理速度: CPU 实时（无需 GPU）
-- 可运行平台: 树莓派、手机、手表、低端PC
+model = LLMModel(vocab_size=len(vocab), d_model=cfg['d_model'], n_heads=cfg['n_heads'],
+                 n_layers=cfg['n_layers'], d_ff=cfg['d_ff'], max_len=cfg['max_len'], dropout=0.1)
+model.load_state_dict(ckpt['model_state_dict'])
+model.eval()
+
+chat = LLMChat(model, vocab, device='cpu')
+tokenizer_instance.char_to_id = vocab.copy()
+tokenizer_instance.id_to_char = {v:k for k,v in vocab.items()}
+
+print(chat.generate_response('小狸你好呀'))
+"
+
+# 2. 训练
+python3 train.py
+```
+
+## 模型架构
+
+| 参数 | 值 |
+|------|-----|
+| 架构 | Causal Decoder-Only Transformer |
+| 参数量 | 13M |
+| 隐藏层 (d_model) | 320 |
+| 层数 (n_layers) | 6 |
+| 注意力头 (n_heads) | 8 |
+| FFN 宽度 (d_ff) | 1280 |
+| 最大序列长度 | 512 |
+| 位置编码 | RoPE (Rotary Position Embedding) |
+| 激活函数 | SwiGLU |
+| 归一化 | RMSNorm |
+| 词表 | BPE, 6,812 tokens |
+
+## 项目结构
+
+```
+xiaoli-llm-chat/
+├── llm_chat_improved.py   # 模型架构 + 推理代码（核心）
+├── train.py               # 训练脚本
+├── vocab.json             # BPE 词表（6.8k tokens）
+├── web_server.py          # Web 聊天服务
+├── chat_server.py         # Flask 聊天服务
+├── templates/
+│   └── chat.html          # 聊天网页 UI
+├── data/
+│   ├── xiaoli_data_v1_part_1of2.json  # 训练数据（33万条）
+│   └── xiaoli_data_v1_part_2of2.json  # 训练数据（33万条）
+└── scripts/               # 数据生成脚本
+    ├── generate_fresh_qa.py
+    ├── generate_multiturn.py
+    ├── regenerate_all_high_temp.py
+    ├── daily_data_gen.py
+    └── api_correction.py
+```
+
+## 训练数据
+
+- **总计 666,379 条** 去重 QA 对
+- 来源：Astron 30B API 蒸馏生成（高温采样 + 多轮对话 + 新问答）
+- 场景覆盖：日常闲聊、情感陪伴、儿童对话、角色扮演
+- 纯人工蒸馏，零网页爬取，数据安全可控
+
+## 模型权重
+
+当前发布版本：**Epoch 7**（v0.1）
+
+模型权重文件 `llm_model_v2_resume_epoch_7.pth`（154MB）因超出 Gitee 单文件限制，需单独下载。
+
+## 系统要求
+
+- Python 3.8+
+- PyTorch（CPU 即可，无需 GPU）
+- 内存：~200MB
+- 磁盘：~500MB（含训练数据和权重）
+
+## 许可
+
+MIT License

all_data_cleaned.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:136863dba34ed2300a56611600b9cd758aa6e01cdd7e3dcdd35d0371be32d41c
-size 43711

distill_questions_v2.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:e5154511dddc7a03fcad94b7273bf7ab23ff9ccfe16957058b6a18eed608bf3b
-size 4919

distill_questions_v3.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:c74ebfca559a906d6cbd2d77eae0752ab72add28fca9b8de47d165fadd00e419
-size 30616

exam_distill_questions.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:59f8dabcf5cbfc960810e99e51d8777a238e2ad4798405e8dd1c7bb7e5050a93
-size 2686585

llm_chat_improved.py

@@ -786,7 +786,17 @@ class LLMChat:
                 outputs = self.model(seq)
                 
                 # 获取最后一个时间步的预测
-                next_token_logits = outputs[0, -1, :] / temperature
+                logits = outputs[0, -1, :]
+                
+                # 温度=0 → greedy解码（取概率最高的token）
+                if temperature == 0:
+                    next_token = torch.argmax(logits).item()
+                    generated.append(next_token)
+                    new_token = torch.tensor([[next_token]], device=self.device)
+                    input_tensor = torch.cat([input_tensor, new_token], dim=1)
+                    continue
+                
+                next_token_logits = logits / temperature
                 
                 # === 重复惩罚 ===
                 # 1. 对最近生成的token进行惩罚（更强）

multiturn_data.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:7c4d05531958838c1c6750216a98fc781ea13085b278a0154eb1378680959fe9
-size 10038

train.py

@@ -217,13 +217,13 @@ def main():
     print(f"  训练集: {len(train_set)}条 | 验证集: {len(val_set)}条")
     
     # ====== 加载固定vocab ======
-    vocab_path = os.path.join(model_dir, 'vocab_v2.json')
+    vocab_path = os.path.join(model_dir, 'vocab.json')
     if not os.path.exists(vocab_path):
-        print("❌ 未找到 vocab_v2.json，请先运行固定vocab生成脚本")
+        print("❌ 未找到 vocab.json，请先运行BPE词表生成脚本")
         return
     with open(vocab_path, 'r', encoding='utf-8') as f:
         vocab = json.load(f)
-    print(f"词汇表: {len(vocab)} (固定, 来自 vocab_v2.json)")
+    print(f"词汇表: {len(vocab)} (BPE, 来自 vocab.json)")
     # 同步tokenizer（新字符映射为UNK）
     tokenizer_instance.char_to_id = vocab.copy()
     tokenizer_instance.id_to_char = {v: k for k, v in vocab.items()}

vocab_v2.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:efabe0696ef9fcd64685f70a62bd55c97ca2b8efa69bca26df35177ac6774330
-size 41185

xiaoli_data.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:c0c0848f74cc7604d41699134a5f34f54d5958779a6653e27973ef495790c29c
-size 5267

xiaoli_merged_data_v2.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:b117303df258c2296699ad987c2e5f9ef141e9adef2b693723c2a41511a85d4d
-size 12616207

xiaoli_train_v2.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:bfa8970a4a176f23451002081afec16c909b6c8889b42819d698bc2e44e06aeb
-size 12290087

xiaoli_valid_v2.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:c445541e8aaefe41ef3223ec0f83988acf5e282a52f34d13f8560e551615a2d2
-size 327442