为什么是 LIC-Muse
不是套壳，不是微调——从字节到权重的完整自研管线。
🧩
全链路自研
byte-level BPE 分词器（含训练器）、RMSNorm + RoPE + SwiGLU 架构、训练循环、KV-cache 推理引擎、OpenAI 兼容 API，每一行都自己写。
🎨
艺术与哲学的血统
训练语料以中国古典诗词与哲学（216 万行）为骨架，辅以英文公版文学与合成美学/数学语料——Muse 主攻艺术、哲理、文学、审美与数学。
⚙️
极端约束下的工程
纯 CPU（i5-1240P）、约 3.5GB 可用内存下完成 256M 模型训练：bf16 优化器状态、梯度检查点、向量化 BPE 训练器，全部为此而生。
🔌
OpenAI 兼容 API
/v1/chat/completions、/v1/completions、/v1/models、/health 开箱即用，支持 SSE 流式输出；任何 OpenAI SDK 改一行 base_url 即可接入。
🖥️
CLI 与控制台
命令行对话带 "LIC / muse" 字符商标横幅；网页控制台提供对话与补全演练场，可连接任意可达的 API 端点。
📦
可复现发行版
release 目录包含 safetensors 权重、分词器、代码与示例；三条命令即可从零复现整个训练。
30 秒开始
下载发行版，安装依赖，启动 API。
# 1. 解压发行版并进入目录 unzip LIC-Muse-1.1.zip && cd LIC-Muse-1.1 # 2. 安装依赖（仅 PyTorch） pip install -r requirements.txt # 3. 启动 OpenAI 兼容 API python scripts/serve.py --port 8610 # 4. 调用（任意 OpenAI SDK 改 base_url 即可） curl http://127.0.0.1:8610/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{"model":"lic-muse-1.1","messages":[{"role":"user","content":"请用一句诗形容秋天"}]}'
它现在能做什么
诚实的能力边界：演示级模型，不是云端大模型。
✅ 已经做到
- 生成带真实词语与平仄韵律的古典诗词风格片段
- 中英双语文本续写；chat 格式正常往返（system/user/assistant）
- 完整的 OpenAI 兼容 API（流式 / 非流式）
- 分词器编解码往返一致（中英 + 特殊标记）
⚠️ 暂不具备
- 稳定的知识问答与长程语义连贯
- 指令遵循（未做 SFT，chat 为续写风格）
- 长上下文（训练长度 1024）