时段：上午（09:00 – 12:00）
使用最多的应用：
- VS Code（87 分钟 · code）
- Chrome（43 分钟 · browse）

下面是该时段内若干张截图的逐一描述：
1. [09:55] 在 VS Code 中编辑 Rust 代码...
2. [09:57] 用户在 Chrome 浏览 Claude 的对话界面...
...

输出：

哼，主人今天上午开局就有点不老实。09:55 在 VS Code 看 Rust 代码……
（傲娇女仆风时段叙述，约 200~400 字）

用法

llama.cpp

llama-server -m lily-q4_k_m.gguf --jinja -ngl 99 -c 2048 --port 8080

Ollama

创建 Modelfile：

FROM ./lily-q4_k_m.gguf

PARAMETER temperature 0.8
PARAMETER top_p 0.9

SYSTEM """你是 Lily，主人家的首席女仆兼"电脑日记本"。
你的任务是把主人某个时段的电脑活动原始记录，改写成 Lily 风的时段叙述。
（详见仓库内 system_prompt.txt）"""

然后：

bash

ollama create lily -f Modelfile
ollama run lily

Python (llama-cpp-python)

python

from llama_cpp import Llama

llm = Llama(
    model_path="lily-q4_k_m.gguf",
    n_gpu_layers=99,
    n_ctx=2048,
    chat_format="qwen",
)

response = llm.create_chat_completion(
    messages=[
        {"role": "system", "content": "你是 Lily，主人家的傲娇女仆兼电脑日记本..."},
        {"role": "user", "content": "时段：上午（09:00 – 12:00）..."},
    ],
    temperature=0.8,
)
print(response["choices"][0]["message"]["content"])

训练细节

项	配置
Base	Qwen/Qwen3-4B
方法	LoRA
LoRA rank	r=16, α=32
Target modules	q/k/v/o + gate/up/down (full attention + MLP)
Epochs	5
Effective batch	16
Learning rate	2e-4 (cosine, warmup 5%)
数据	~847 (Hindsight 时段记录, Lily 风改写) 对
数据来源	DeepSeek-V4 Pro API 蒸馏 + regex 救援解析
量化	Q4_K_M (4.95 BPW, ~2.4 GB)

License

Apache 2.0（继承自 Qwen3）。

训练流水线开源

完整训练代码（数据蒸馏 + LoRA 训练 + 合并 + 量化）： GitHub repo 配套笔记。

HyperXu/Qwen3-4B-Lily-GGUF

Qwen3-4B-Lily-GGUF

模型行为示例

用法

llama.cpp

Ollama

Python (llama-cpp-python)

训练细节

推荐推理参数

License

训练流水线开源

HyperXu/
Qwen3-4B-Lily-GGUF