先读定义，再选工具
“列出文件”与“搜索文件内容”并不是同一件事。依据工具定义与参数结构选择，而不只认一个眼熟的工具名。
FinchAIRUNE1 / PREVIEWFinchAI-Rune1-Preview · 2026.10.17
小模型，专注工具调用的判断。
调用之前，
先想清楚。
我们的 AI 业务，现以 FinchAI 为名。首个模型 Rune1-Preview 面向本地 Agent：选择合适的工具，确认参数是否齐全，也判断什么时候不必调用。
基于面壁智能 OpenBMB MiniCPM-V 4.7-1B 进行 LoRA 微调。这是一份专注特定场景的预览版，不是全能助手。
工具判断 · 交互示例
判断依据
这是预设交互示例，不是在线推理；不会执行工具，也不会上传数据。
不是每个问题，都要调用工具。
微调关注的是执行前的判断。真正的权限校验、参数校验与执行控制，仍由接入它的应用负责。
缺参数时，先问一句
没有给出必填目录时，先询问路径，不猜一个位置去执行。参数已经完整时，则不应重复追问。
把报错当作下一步的线索
训练包含“调用出错 → 阅读错误 → 修正后重试”的样本。这是训练目标，不代表每一次真实错误都能自动解决。
模型给出建议，执行权留在应用里。
工具调用是一份结构化提议，不代表操作已经执行。把模型判断与应用执行分开，才能保留可检查、可拒绝、可确认的边界。
读懂当前任务
传入用户请求与工具定义，明确用途、必填项及参数结构。
调用、反问或回答
选择合适的工具、询问缺失信息，或在不需要工具时直接回答。
校验并取得确认
宿主检查工具名、参数、权限及用户确认，不直接执行未知调用。
回填真实执行结果
把工具的真实结果或错误回填给模型，让后续回答有执行证据。
训练的不是一张工具名清单。
训练沙箱会变化工具名、路径和参数结构。目标是让模型阅读当轮定义，而不是背下某个固定工具的调用写法。以下均为项目发布说明中的训练设计。
600条合成样本 · 六类配比
Agent210
代码120
问答90
身份60
拒绝60
多轮对话60
Agent 样本包含标准调用、报错恢复、工具消歧、不调用工具及参数反问。项目说明不含真实用户数据。
- 先切分沙箱，再生成数据
文档描述了 20 个训练沙箱与 6 个留出沙箱。生成器阻止留出样本进入训练，并隔离工具名、路径与文件名。
- 检查模型真正看到的文本
在 chat template 渲染后检查 token 预算与标识符，并核对调用中的参数名是否属于对应工具定义。
- 只微调文本主干的一小部分
LoRA r=8 / alpha=16，可训练参数约 7.47M，占模型约 0.48%；视觉模块被排除。这说明训练范围，并不等于质量保证。
多轮迭代修正了参数结构不一致，补入正反例，并扩展句式覆盖。这些措施能减少直接重合与矛盾示范，但不能据此断言所有数据泄漏或泛化问题都已消除。
用小样本验收，也把边界写清楚。
项目使用七组、共 27 条探针做内部验收。下面列出与工具判断相关的分项，数据来自项目发布说明，并非独立第三方评测。
| 验收项目 | 基座 | Rune1 |
|---|---|---|
| 缺参数反问 | 0/3 | 3/3 |
| 相似工具选择 | 0/3 | 3/3 |
| 无需工具的判断 | 3/3 | 3/3 |
| 留出沙箱调用 | 6/6 | 6/6 |
探针数量少，且由项目自行设计；通过比例不能外推为真实任务成功率。陌生句式与工具环境仍可能失败。
一个小规模、可检查的训练实验。
- 微调方式
- LoRA r=8 / alpha=16 · 仅文本主干
- 数据设计
- 六类合成样本；20 个训练沙箱与 6 个留出沙箱。
- 训练序列上限
- 950 token · 不等于已验证的上下文窗口
- 可检查的材料
- 项目仓库提供训练脚本、数据生成器、验收脚本与 LoRA adapter。
完整权重保留视觉组件，但本次 LoRA 没有针对视觉训练。不能用这些探针宣称视觉能力或长上下文能力已得到验证。
在本地跑过，也注明跑在什么条件下。
以下来自项目在 MacBook Pro M4 / 10 核 / 16 GB / MPS 上的实测记录。输入长度、运行时版本和后端都会影响资源占用。
≈ 2.91 GiB完整权重文件体积
≈ 3.1 GB文档记录的加载后常驻内存
≈ 6.5 GB该环境中记录的峰值占用
训练记录为 600 条样本 × 2 epoch 约 63 分钟，0.5 epoch 增量训练约 14 分钟。这些是训练耗时，不是推理速度，也不是每秒输出 token 数。
文档将较高峰值与长样本关联。请勿为了复现实测而取消系统内存限制；应从短输入开始，并遵循当前运行时的配置说明。
从本地接入，让宿主掌握执行权。
本版发布完整的 f16 命名 safetensors 权重，实际存储精度为 bfloat16，约 2.91 GiB。使用 Transformers 接入；当前没有发布 GGUF 或 MLX 权重。
环境 · 按发布说明要求
pip install "transformers>=5.18.0" torch acceleratePython · 最小加载示例
from transformers import AutoProcessor, AutoModelForImageTextToText
model_id = "whcl412/FinchAI-Rune1-Preview-f16"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
model_id, dtype="bfloat16", device_map="auto"
)生成前需套用模型的 chat template 并传入工具定义。完整推理与训练脚本见仓库；运行环境兼容性以模型卡为准。
接入时，请保留这些护栏
- 解析 XML 风格工具调用，执行前检查工具是否已注册、参数是否符合 schema。
- 没有工具调用可能是在直接回答或询问缺失参数，不要把它一律当作失败重试。
- 区分思考内容和面向用户的正文，并处理偶发的游离思考标签。
- 删除、覆盖等危险操作必须再次确认。模型输出不等于用户授权。
项目实测环境：MacBook Pro M4 / 10 核 / 16 GB / MPS。约 6.5 GB 的峰值占用仅对应文档中的测试条件，不构成统一内存要求或速度保证。
把小模型，放在边界明确的任务里。
Rune1 是 Agent 中一个专注的组件，不应替代整套系统。任务设计需要说明何时追问、何时校验、何时交给更强的模型，以及何时停止执行。
适合：定义清晰的本地工具
可以从文件列表、内容搜索、计算器等小型工具注册表开始。必填参数要明确，错误信息要能解释缺少什么、为什么失败。
复杂推理：准备升级路径
算法设计和很长的多步任务并不是已经验证的强项。应拆分问题，或交给能力更强的模型，不要靠反复猜测推进。
长文与视觉：不能从底座直接外推
950 token 是训练序列上限，不是架构上下文窗口。更长输入的实际质量，以及视觉任务表现，都没有由这次微调验收验证。
工具幻觉：每次都要检查
未知工具名、格式错误和陌生句式误判仍可能出现。宿主必须检查白名单与参数结构；删除、覆盖等操作还要取得明确确认。
接入后建议自测：参数完整、缺少参数、相似工具、无关问题、工具报错。请补充你自己的场景；项目探针不能替代应用验收。
接入 Preview 前，你可能想知道。
它能替代通用编程助手吗？
不适合这样理解。它专注工具判断，复杂推理、算法设计和长文档不是强项。必要时应拆分任务，或交给能力更强的模型。
底座支持视觉，为什么页面没有主推多模态？
OpenBMB 底座本身是多模态模型；Rune1 的完整权重也保留视觉组件。但此次 LoRA 只训练文本主干，没有证据说明视觉任务得到增强，因此不把它作为本版卖点。
长上下文和工具名幻觉呢？
训练序列上限为 950 token，更长输入的实际效果没有验证。未知工具名、陌生句式误判与游离思考标签仍是已知风险，必须由宿主校验与兜底。
可以用于商业项目吗？
项目标注 Apache 2.0，与基座许可一致。使用时请保留许可要求的声明，并核对模型仓库及依赖的适用条款。
FinchAI · Rune1-Preview
获取权重、查看训练材料，再用你自己的工具与任务验证。此前的 LycheeAI 模型介绍页继续保留。
底座与环境参考： OpenBMB MiniCPM-V 4.7-1B · Preview 发布说明：2026-10-17。训练与验收数据由项目提供，本页面未独立复现训练结果。