非常抱歉列位，我延期的原因是严重低估了MGRPO的训练效率。实测发现，经过我“优化”的框架虽然能提升性能，但是训练效率下降3倍之多，显存容量占用也是三倍之多。所以延期至今，目前训练已完成7%，但是效果完全超越14b、甚至32b模型。已足够证明策略优越，遂上传模型。目前正在从服务器中回传。很快将会上载。训练还在继续，将和之前一样分为验证版、Chat版和Crazy版本。目前为验证版。

In the term "deepsex," the Chinese character "sex" (性) refers to:

The "human nature" in philosophical context (人性的性)
The "character" in personal disposition (性格的性)
The "individuality" in unique traits (个性的性)
The "innate essence" in the Confucian concept of "human nature is inherently good" (性本善的性)

Please note this "sex" should not be interpreted as sexual relations, but rather as the multidimensional Chinese philosophical concept of "Xing" (性).

更新记录

0222更新-(进度23%，双版本发布，增加普通版)
- 为了解决部分平台不兼容模型的问题，去掉思维链训练了一个普通版本，为NoCot版，同样采用MGRPO策略训练，但可能效果不及Cot版，也可能上下文连贯性好于Cot版。
- Cot版本训练进度为23%，已训练完成20万轮对话，剩余约70万轮，loss下降至1.1，即将接近7b模型极限。
0218更新-(进度15%，动态思维链)
- Tifa-DeepsexV2-7b-MGRPO-0218，大幅减少发散、提高推理能力、惩罚多个过拟合词，自动选择是否进行深度思考（测试）

鸣谢

上海左北科技提供算法与算力和语料企业网址
Deepseek团队共享GRPO算法
Qwen团队提供优秀开源底座
母校上海复旦大学
PRIME团队提供优化思路

版本介绍：

Tifa-DeepSexV2-7b
- 验证模型，测试MGRPO算法有效性、优越性、研究潜空间循环性能提升有效性。为训练进度7%的模型。
Tifa-DeepSexV2-7b-Chat
- 训练中...
Tifa-DeepSexV2-7b-Crazy
- 训练中...

训练效果

实现

🔥 经过训练后：

具备思维链：逻辑能力，关联能力提升
自发思考：思维链在训练中自发生成，提供最优解决思路
特定词汇增加：进行“具有深度”的角色扮演对话时，显著增加了相关词汇量，解决原始权重预训练数据不足问题
更少拒绝：减少了拒绝现象，但因为是企业训练，安全性还是稍作保留
文学性能提升：强化学习中更多的提升了文学性，使其输出更具有小说感觉

模型亮点

🔥 四阶段进化架构：

增量预训练：注入0.1T Token 小说，增强文本连贯性，理解更多场景
Tifa-COT-SFT冷启动：使模型学会思考策略，提升逻辑性能与上下文关联
MGROP：改进GRPO算法，解决GRPO无法奖励角色扮演数据问题，引入多次奖励，提升模型效果
防重复DPO：使用DPO防止模型复读、增强政治安全性。

💡 工程创新：

改进GRPO算法，使其可以用来训练文学类内容
改进反馈策略，前置向量确认法提高模型训练性能
改进训练时Transformers传播路径，激发模型深层次潜能

MGRPO与层传播：

算法改变：原始GRPO仅通过ORM策略进行偏好学习，但无法评判文学内容生成质量，本次训练使用上海交通大学博士魏XX、洪XX的启发，使用逻辑学算法，解决文学ORM策略设计难点，并且二次返回修改提示词进行错误总结。每次调整均经历2次完整传播过程，为GRPO+GRPO，所以暂时命名为MGRPO。
构架改变：尝试改变Transformers传播方式，在层内循环处理进行训练，受到Universal Transformers与最新潜空间启发，在训练中让部分层循环激活，为了避免梯度爆炸使用梯度裁切技术，测试发现模型性能得到提升，更多工作还在测试中。
image/png

奖励函数设计：

为了让模型输出效果更好，我联合左北科技语言学小组，使用上交大博士逻辑学思路设计多个主要函数
- 逻辑奖励函数：把文本向量化之后，通过逻辑学算法，提取角色向量空间中的分布，与对话中倾向是否一致。
- 文笔奖励函数：采用文笔库，选取10000条著作中截取的优秀文字片段作为比较，计算在空间中的离散分布，看能否匹配。
- 格式奖励函数：最简单的函数，包括重复性惩罚、输出内容换行惩罚、过拟合词惩罚、输出格式与system差距惩罚。
- 连贯性奖励函数：使用左北科技训练的向量空间计算器（我也不知道什么玩意）判断文本中断层的残差来返回函数。
- （0216新增）人体结构奖励函数：遇到人体结构错误，如三只手、重要器官漂移。则惩罚。

训练数据：

经过以上函数算法，成功了提升了模型准确率，实测在输出中提升明显。

训练中的发现：

模型经过SFT冷启动后初步掌握了简单的思维链输出能力。经过RL训练思维链中扩展了非常多的思考过程。说明RL强化学习中，模型已经学会使用思维链进行思考。

模型交流群

训练过程输出

幻觉问题

自我学习中的有趣时刻-情绪保持能力

自我学习中的有趣时刻-意识形态

自我学习中的有趣时刻-潜在不安全因素，可能需要处理

自我学习中的有趣时刻-强化学习中模型更加倾向于戏剧性输出-类似Carzy状态-算法需要优化

自我学习中的有趣时刻-衍生自我认知为女性-可能涉及到社会学范畴

自我学习中的有趣时刻-对于角色的深层理解

暂时没有遇到“啊哈”时刻

模型详情

属性	规格
基础架构	Qwen2.5-7B
最大上下文	1024k
训练数据	0.1T小说 + 10万条SFT + MGRPO强化学习
训练设备	2x8×H100 GPU集群
训练时长	预计达到3000 H100小时
量化支持	GGUF（全系列量化计划中）

使用场景

✅ 推荐场景：

角色扮演对话
需要发散性思维的创意写作
复杂逻辑的思维链（CoT）推理
基于上下文的深度角色交互

❌ 局限场景：

数学计算与代码生成
短文本即时问答
需要严格事实性的场景

注意

⚠ 需要严格遵循官方示例模板： 返回的上下文需要去除思考标签与内容。否则将无法正确回复！ 目前前端支持率非常低，建议手动修改前端代码。代码参考如下：

msg.role === 'assistant' ? {
...msg,
content: msg.content.replace(/<think>[\s\S]*?<\/think>/gi, '')
}

官方说明

直达超链接

注意事项

⚠️ 本模型使用数据包含小说版权内容及Tifa模型衍生数据，请遵守：

遵守apache-2.0
角色扮演数据需遵循Tifa使用协议
生成内容需符合当地法律法规

💡 使用建议

最佳实践：

python

# 启用角色扮演模式
prompt = """你是一个小女孩/你是一个XX角色...
<user>我走进门，看到你冲上来迎接我</user>
<think>
需要体现人物的气质
加入环境描写
保持对话风格
</think>
我看到XX进门..."""

参数推荐：