📌 项目背景与定位
在初级中文（YCT 1-3 级 / HSK 初级）日常口语与交际练习中，通用大语言模型（LLM）往往存在两大痛点：
- 过度宽容或陷入自由闲聊：学生表达虽然不成句或偏离交际目的，大模型依然勉强顺着语义回复，无法指出学习卡点；
- 生硬纠错或直接抛出答案：直接把母语者的标准长句抛给学生，缺少初级教学所需的“阶梯式引导（Scaffolding）”，导致学生丧失表达信心。
“万里知言（WanLi-Zhiyan-4B v0.2）” 是由万里中文（WanLi Chinese）团队专门研发的国际中文教育垂直领域诊断大模型。模型旨在扮演一位富有耐心、懂二语习得规律的专业中文教师，实现从“单次被动打分”向“诊断 ➔ 启发 ➔ 迁移补练”闭环学习支持的跃升。
💡 核心机制：四步进阶诊断框架
万里知言经过严格的教学指令微调（Instruction Alignment），对学生的每一次交际回答均严格输出标准化四段结构：
┌───────────────────────────┐
│ 学习者交际任务与回答输入 │
└─────────────┬─────────────┘
▼
1. 【任务状态】 ─── 判定交际目标达成度（完美达成 / 部分完成 / 未完成）
▼
2. 【卡点分析】 ─── 精准归因（语序倒装、量词缺失、词性混淆、母语负迁移等）
▼
3. 【引导提示】 ─── 温和、启发式的正向脚手架（不直接给答案，点出表达关键）
▼
4. 【迁移补练】 ─── 自适应生成同构场景的新任务（帮助学习者即时验证再次表达）
🎯 v0.2 升级亮点
- 中介语真实偏误对齐：融合国际中文教育语料库（ChinesePlus）真实留学生作文与口语偏误数据，重点强化了以下高频中介语卡点的识别灵敏度：
- 语序倒装：如时间状语后置（“见明天”、“我想见你在下午两点”）；
- 数量词偏误：如个体量词缺失或泛用（“我想买两笔”、“我看三个鸭子”）；
- 否定副词混淆：混淆主观意愿与客观事实（“我不吃早饭” vs “我没吃早饭”）；
- 社交角色倒置：混淆致谢/道歉与应答方（如误用“不客气”代替“谢谢”，误用“没关系”代替“对不起”）；
- 低误纠率保障：在数据集中严格保留了符合初级口语交际规范的多样化合理变体，有效抑制模型对正确口语表达的“过度纠错”。
🧪 典型诊断实测案例（现场输出）
案例 1：数量词搭配缺失（量词遗漏）
- 【题目情境】：买文具
- 【任务要求】：向店员说明想买两支笔
- 【学生回答】：我想买两笔。
- 【模型实测诊断】：
【任务状态】：未完成
【卡点分析】：数词“两”直接修饰名词“笔”，缺失了必需的个体量词“支”。现代汉语中数词不能直接修饰可数个体名词。
【引导提示】：说买几件文具时，数词和文具之间要加上量词哦，比如“两支笔”。
【迁移补练】：在书店买三本书，试着用带有量词的标准中文对店员说一说。
案例 2：社交意图偏离（陈述喜好 vs 表达购买需求）
- 【题目情境】：在水果店买水果
- 【任务要求】：向店员说明你想买几个苹果（需包含购买意图和数量）
- 【学生回答】：我喜欢苹果。
- 【模型实测诊断】：
【任务状态】：未完成
【卡点分析】：句子表达了个人喜好，但遗漏了购买意图和具体数量信息，未能达成向店员购买的交际目的。
【引导提示】：表达“喜欢”和表达“想买”是不一样的哦。试着告诉店员：“我想买……个苹果”。
【迁移补练】：在文具店购物，试着向店员说明你想买两支铅笔。
案例 3：母语线性语序负迁移（时间状语后置）
- 【题目情境】：放学离开教室
- 【任务要求】：向同桌说再见，并约定明天见
- 【学生回答】：再见明天。
- 【模型实测诊断】：
【任务状态】：部分完成
【卡点分析】：达成了“再见”的意图，但时间状语“明天”与动词“见”的语序出现卡点（受母语线性语序影响将时间置后）。中文习惯将时间词置于“见”的前面。
【引导提示】：中文里说什么时候再见面，要把时间放在前面哦，比如“明天见”。
【迁移补练】：如果是周五放学，想跟同学约定“星期一见”，试着用中文说一说。
💻 快速上手与调用指南
1. 使用 Transformers 原生 Python 调用
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
MODEL_ID = "Lukekn0w/WanLi-Zhiyan-4B-v0.2"
# 加载 Tokenizer 与模型
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForCausalLM.from_pretrained(
MODEL_ID,
torch_dtype=torch.float16,
device_map="auto"
)
# 构造结构化教学 Prompt
prompt = (
"你是一名专注YCT/初级中文学习者的中文口语应答诊断专家。"
"请根据题目要求与学生回答，准确识别表达卡点，给出温和的引导提示，并生成一道相似场景的迁移补练任务。\n\n"
"【题目情境】：早晨在校门口遇见王老师\n"
"【任务要求】：主动用中文向老师打招呼问好\n"
"【学生回答】：老师好！"
)
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
# 推荐低温度采样，确保结构化输出稳定性
generated_ids = model.generate(
model_inputs.input_ids,
max_new_tokens=512,
temperature=0.2,
top_p=0.8,
repetition_penalty=1.05
)
response = tokenizer.batch_decode(
generated_ids[:, model_inputs.input_ids.shape[1]:],
skip_special_tokens=True
)[0]
print(response)
2. 本地断网 / Ollama 离线部署（适合展会与现场演示）
本模型原生支持导出为 GGUF 格式并在低算力端侧设备（如 Mac M系列芯片 / 边缘计算终端）断网运行：
# Modelfile 配置示例
FROM ./wanli-yct-qwen-v0.2-q4_k_m.gguf
PARAMETER temperature 0.2
PARAMETER top_p 0.8
PARAMETER stop "<|im_end|>"
SYSTEM """你是一名专注YCT/初级中文学习者的中文口语应答诊断专家。请根据题目要求与学生回答，准确识别表达卡点，给出温和的引导提示，并生成一道相似场景的迁移补练任务。"""
运行终端命令：
ollama create wanli-zhiyan -f Modelfile
ollama run wanli-zhiyan
📊 训练配置细节
- Base Model：Qwen 系列 4B 基础底座
- Fine-tuning Method：LoRA (Rank=16, Alpha=32, Target Modules=
all, Dropout=0.05) - Training Hardware：NVIDIA RTX PRO 6000 (96GB VRAM)
- Optimizer & Schedule：AdamW, Cosine LR Schedule (Peak LR = 1e-4, Warmup = 5%)
- Effective Batch Size：8 (Batch size per device 2 × Gradient Accumulation Steps 4)
- Epochs：3.0 (训练 Loss 从 2.49 收敛至 1.45，Eval Loss 收敛至 1.53)
🤝 研发团队与致谢
- 研发单位：万里中文（WanLi Chinese）教学与算法研发团队
- 数据来源：教育部中外语言交流合作中心 · 国际中文教育语料库（ChinesePlus）、YCT/HSK 权威教学大纲
- 微调框架：感谢 LLaMA-Factory 社区提供的杰出开源支持。
免责声明：本模型主要用于国际中文教学支持与辅助练习，诊断结果建议与一线中文教师教学复核相结合。
- Downloads last month
- 277