QWeQ-NineBird-v1

QWeQ-NineBird-v1 是专为 WeQ 桌面端打造的超轻量级中文即时通讯（IM）多任务意图与情绪感知模型。基于 hfl/rbt3（Chinese RoBERTa-wwm-ext 3-layer）进行多任务联合微调，并导出为单文件 ONNX 格式，可在普通 CPU 上实现毫秒级推理。

模型规格 (Model Specs)

• **参数量 (Parameters)**：39,178,274 (~39.18M / 0.039B)
• **底座架构 (Backbone)**：hfl/rbt3 (3-layer Chinese RoBERTa, hidden_size=768)
• **推理格式 (Format)**：ONNX (opset=17, FP32, ~147 MB)
• **最大序列长度 (Max Length)**：128 tokens（支持多轮时效性上下文拼接）
• **多任务联合输出 (4 Heads)**：
  1. intent_logits：17 类社交意图分类
  2. emotion_logits：15 类细粒度情绪分类
  3. intensity：情绪强度回归 (0 ~ 100)
  4. sentiment：情感极性回归 (-100 ~ +100)

支持标签体系 (Label Space)

1. 意图类别 (17 Intents)

标签	含义	标签	含义
question	提问 / 询问	chat	闲聊 / 接话
request	请求 / 拜托	boast	炫耀 / 凡尔赛
greeting	寒暄 / 打招呼	flattery	吹捧 / 彩虹屁
share	分享 / 见闻	banter	调侃 / 互怼
praise	夸赞 / 认可	perfunctory	敷衍 / 糊弄
vent	吐槽 / 倾诉	gossip	吃瓜 / 八卦
joke	玩梗 / 搞笑	coquetry	撒娇 / 讨好
plan	邀约 / 安排	other	其他
info	通知 / 陈述	-	-

2. 情绪类别 (15 Emotions)

标签	含义	标签	含义
joy	开心	fatigue	疲惫
excitement	兴奋	curiosity	好奇
admiration	赞叹	shock	震惊
neutral	平静	aggrieved	委屈
sadness	难过	irony	反讽 / 阴阳
anger	生气	anticipation	期待
anxiety	焦虑	embarrassed	尴尬
affection	喜爱 / 感动	-	-

输入格式约定 (Input Formatting)

模型支持单条消息或携带时效性衰减标记的前序多轮上下文：

• 无上文： 消息: 笑死我了蚌埠住了
• 含前序上下文（按时间间隔标记 刚刚 / 稍早 / 较远）： 上文[刚刚]: 对方: 我刚把核心算法重构跑通了，性能提升100倍！ [SEP] 消息: 吓哭了，这也太强了吧！

快速推理示例 (ONNX Runtime)

import json
import numpy as np
import onnxruntime as ort
from transformers import BertTokenizer

tokenizer = BertTokenizer.from_pretrained("./tokenizer")
with open("./model_config.json", "r", encoding="utf-8") as f:
    cfg = json.load(f)

sess = ort.InferenceSession("./model.onnx")

text = "上文[刚刚]: 对方: 我刚把核心算法重构跑通了，性能提升100倍！ [SEP] 消息: 吓哭了，这也太强了吧！"
enc = tokenizer(text, max_length=128, padding="max_length", truncation=True, return_tensors="np")

intent_logits, emotion_logits, intensity, sentiment = sess.run(
    None,
    {
        "input_ids": enc["input_ids"].astype(np.int64),
        "attention_mask": enc["attention_mask"].astype(np.int64),
        "token_type_ids": enc["token_type_ids"].astype(np.int64),
    },
)

intent = cfg["intent_labels"][int(np.argmax(intent_logits[0]))]
emotion = cfg["emotion_labels"][int(np.argmax(emotion_logits[0]))]
print(f"Intent: {intent}, Emotion: {emotion}, Intensity: {intensity[0]:.1f}, Sentiment: {sentiment[0]:.1f}")