Ouro循环语言模型深度研究报告

✨步子哥 (steper) • 2026年04月23日 06:29
                        <!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Ouro循环语言模型深度研究报告</title>
    <link rel="preconnect" href="https://fonts.googleapis.com">
    <link rel="preconnect" href="https://fonts.gstatic.com" crossorigin>
    <link href="https://fonts.googleapis.com/css2?family=Noto+Sans+SC:wght@400;700&family=Noto+Serif+SC:wght@400;700&family=Source+Code+Pro:wght@400;700&display=swap" rel="stylesheet">
    <script src="https://cdn.jsdelivr.net/npm/chart.js"></script>
    <style>
        :root {
            --primary-color: #0D6EFD;
            --text-color: #212529;
            --bg-color: #FFFFFF;
            --light-bg-color: #F8F9FA;
            --border-color: #dee2e6;
            --hover-bg-color: #f1f3f5;
        }

        html {
            scroll-behavior: smooth;
        }

        body {
            margin: 0;
            padding: 0;
            background-color: var(--bg-color);
            font-family: "Alibaba PuHuiTi 3.0", "Noto Serif SC", serif;
            font-size: 16px;
            color: var(--text-color);
            line-height: 1.8;
            -webkit-font-smoothing: antialiased;
            -moz-osx-font-smoothing: grayscale;
        }

        .container {
            max-width: 800px;
            margin: 2em auto;
            padding: 2em 3em;
            background-color: var(--bg-color);
            box-shadow: 0 4px 12px rgba(0,0,0,0.08);
            border-radius: 8px;
        }

        h1, h2, h3, h4, h5, h6 {
            font-family: "Alibaba PuHuiTi 3.0", "Noto Sans SC", "Noto Serif SC", sans-serif;
            font-weight: 700;
            line-height: 1.4;
        }

        h1 {
            font-size: 28px;
            margin-top: 24px;
            margin-bottom: 20px;
            text-align: center;
            color: var(--text-color);
        }

        h2 {
            font-size: 22px;
            margin-top: 2.5em;
            margin-bottom: 1.2em;
            padding-bottom: 0.4em;
            border-bottom: 1px solid var(--border-color);
            position: relative;
            padding-left: 1.2em;
        }

        h2::before {
            content: '';
            position: absolute;
            left: 0;
            top: 5px;
            bottom: 0.4em;
            width: 6px;
            background-color: var(--primary-color);
            border-radius: 3px;
        }

        h3 {
            font-size: 20px;
            margin-top: 2em;
            margin-bottom: 1em;
        }

        h4 {
            font-size: 18px;
            margin-top: 1.8em;
            margin-bottom: 0.8em;
        }

        p {
            margin-bottom: 1.2em;
        }

        strong {
            font-weight: 700;
            color: var(--text-color);
        }

        a {
            color: var(--primary-color);
            text-decoration: none;
            transition: color 0.2s, text-decoration 0.2s;
        }

        a:hover {
            color: #0a58ca;
            text-decoration: underline;
        }

        ul, ol {
            padding-left: 1.5em;
            margin-bottom: 1.2em;
        }

        li {
            margin-bottom: 0.5em;
        }

        code {
            font-family: "Source Code Pro", monospace;
            background-color: #e9ecef;
            padding: 0.2em 0.4em;
            border-radius: 3px;
            font-size: 0.9em;
            color: #d63384;
        }

        pre {
            background-color: #f8f9fa;
            border: 1px solid #dee2e6;
            border-radius: 4px;
            padding: 1em;
            overflow-x: auto;
        }

        pre code {
            background-color: transparent;
            padding: 0;
            color: inherit;
            font-size: 0.9em;
        }

        blockquote {
            margin: 1.5em 0;
            padding: 0.5em 1.5em;
            border-left: 5px solid var(--primary-color);
            background-color: var(--light-bg-color);
            color: #495057;
        }

        blockquote p {
            margin-bottom: 0;
        }

        hr {
            border: 0;
            height: 2px;
            background-image: linear-gradient(to right, rgba(0, 0, 0, 0), var(--primary-color), rgba(0, 0, 0, 0));
            margin: 3em 0;
        }

        table {
            width: 100%;
            border-collapse: collapse;
            margin: 1.5em 0;
            font-size: 0.95em;
        }

        th, td {
            padding: 0.8em 1em;
            text-align: left;
            border-bottom: 1px solid var(--border-color);
        }

        thead th {
            border-bottom: 2px solid var(--primary-color);
            font-weight: 700;
            color: var(--text-color);
        }
        
        tbody tr {
            transition: background-color 0.2s;
        }

        tbody tr:hover {
            background-color: var(--hover-bg-color);
        }
        
        tbody tr:last-child td {
            border-bottom: none;
        }

        .toc {
            background-color: #f8f9fa;
            border: 1px solid #e9ecef;
            padding: 1.5em 2em;
            border-radius: 8px;
            margin-bottom: 2em;
        }
        .toc h2 {
            font-size: 20px;
            margin-top: 0;
            margin-bottom: 1em;
            border: none;
            padding: 0;
            text-align: center;
        }
        .toc h2::before {
            display: none;
        }
        .toc ul {
            list-style: none;
            padding-left: 0;
            margin: 0;
        }
        .toc-level-2 > li {
            margin-bottom: 0.8em;
        }
        .toc-level-2 > li > a {
            font-weight: bold;
        }
        .toc-level-3 {
            padding-left: 2em;
            margin-top: 0.5em;
        }
        .toc-level-3 > li {
            margin-bottom: 0.4em;
        }
        .toc a {
            color: var(--primary-color);
        }
        .toc a:hover {
            text-decoration: underline;
        }
        
        .chart-placeholder {
            margin: 2em 0;
            border: 1px dashed #ced4da;
            padding: 1.5em;
            text-align: center;
            background-color: #f8f9fa;
            border-radius: 4px;
        }
        .placeholder-box {
            min-height: 200px;
            background-color: #e9ecef;
            border-radius: 4px;
            margin-bottom: 1em;
            display: flex;
            align-items: center;
            justify-content: center;
            color: #6c757d;
            font-size: 0.9em;
        }
        .placeholder-box::before {
            content: "图表区域 (Chart Area)";
        }
        .chart-placeholder figcaption {
            font-size: 0.9em;
            color: #495057;
            line-height: 1.4;
            margin-bottom: 1.2em;
        }
        
        .component-group {
            background-color: #f8f9fa;
            border: 1px solid #e9ecef;
            border-left: 4px solid var(--primary-color);
            padding: 1em 1.5em;
            margin: 1.5em 0;
            border-radius: 0 4px 4px 0;
        }
        .component-group > *:first-child {
            margin-top: 0.5em;
        }
        .component-group > *:last-child {
            margin-bottom: 0.5em;
        }
        
        .generated-chart {
            margin: 2em 0;
        }

    </style>
</head>
<body>
    <div class="container">
        <h1>Ouro循环语言模型深度研究报告</h1>
        <nav class="toc">
            <h2>目录</h2>
            <ul class="toc-level-2">
                <li><a href="#执行摘要">一、 执行摘要</a></li>
                <li><a href="#背景介绍">二、 背景介绍</a></li>
                <li><a href="#方法论">三、 方法论</a>
                    <ul class="toc-level-3">
                        <li><a href="#模型架构：循环语言模型looplm">模型架构：循环语言模型（LoopLM）</a></li>
                        <li><a href="#自适应计算与熵正则化目标">自适应计算与熵正则化目标</a></li>
                        <li><a href="#训练流程">训练流程</a></li>
                    </ul>
                </li>
                <li><a href="#数据分析">四、 数据分析</a>
                    <ul class="toc-level-3">
                        <li><a href="#卓越的参数效率">卓越的参数效率</a></li>
                        <li><a href="#推理与知识操纵优势">推理与知识操纵优势</a></li>
                        <li><a href="#安全性与忠实度">安全性与忠实度</a></li>
                        <li><a href="#可扩展性分析">可扩展性分析</a></li>
                    </ul>
                </li>
                <li><a href="#结论与建议">五、 结论与建议</a></li>
            </ul>
        </nav>
        <h2 id="执行摘要">执行摘要</h2>
<p>Ouro（奥罗）是字节跳动联合多家学术机构推出的一种预训练循环语言模型（Looped Language Model, LoopLM），其核心创新在于将<strong>“循环推理”</strong>融入模型架构本身，而非依赖事后链式思维（Chain-of-Thought, CoT）等推理策略【1†source】【7†source】。Ouro通过参数共享的循环结构，使模型在固定参数预算下实现动态计算深度，从而在多项基准测试中展现出卓越的参数效率：1.4B参数的Ouro模型性能可媲美4B参数的常规Transformer，2.6B参数的Ouro则可抗衡8B参数的SOTA模型【1†source】【2†source】。本研究报告将深入解析Ouro的架构原理、训练机制、性能表现及其在参数效率、推理能力与安全性方面的突破，同时探讨其作为数据受限时代新缩放方向的潜力与挑战。</p>
<h2 id="背景介绍">背景介绍</h2>
<p>当前大型语言模型（LLM）的发展主要依赖于模型规模、训练数据和计算资源的持续增长【13†source】。然而，这种“暴力缩放”面临双重瓶颈：一方面，高质量训练数据日趋稀缺；另一方面，模型规模的增长带来高昂的内存和部署成本，使得超大规模模型难以普及【1†source】。传统Transformer架构采用顺序堆叠的多层结构，其深度与参数量呈线性关系，难以在不增加参数的情况下提升模型能力。为突破这一限制，研究者探索了多种参数效率提升方案，包括混合专家（Mixture of Experts, MoE）架构和自适应计算等方法【7†source】。</p>
<p>MoE通过引入多个“专家”子网络，在推理时仅激活部分参数，从而在不显著增加计算成本的前提下扩大模型容量【15†source】。然而，MoE并未减少模型的总参数量，推理时仍需加载所有参数，且可能引入专家重叠和负载均衡等新问题【7†source】。另一种思路是增加推理时的计算量，如链式思维（CoT） prompting，通过让模型在输出中逐步推理来提升复杂任务的性能【1†source】。但CoT属于后训练策略，未充分利用预训练数据，且生成的中间推理步骤与最终答案可能不完全一致，存在“过度思考”或“思考不足”的问题【1†source】。</p>
<p>与此相对，循环语言模型（LoopLM）提供了一种全新的范式：在模型内部引入循环迭代计算，使模型能够自适应地增加计算深度，而无需增加参数量或生成长度【1†source】。这一理念可追溯至通用Transformer（Universal Transformer, UT）和自适应计算时间（Adaptive Computation Time, ACT）等早期工作【1†source】【12†source】。UT通过在输入序列上迭代相同的Transformer层，实现并行计算与循环归纳偏置的结合【1†source】。ACT则允许循环网络在每个时间步学习应执行多少次计算，从而根据输入难度动态调整推理深度【12†source】。这些先驱工作为LoopLM奠定了理论基础，但它们在小规模模型上验证了概念，尚未在大规模预训练场景中展现出超越传统Transformer的性能优势【1†source】。Ouro的诞生旨在回答一个关键问题：<strong>在实用化的大规模预训练场景下，循环语言模型是否能提供比非循环Transformer更有利的缩放行为、更高的效率和更优的能力？</strong>【1†source】</p>
<h2 id="方法论">方法论</h2>
<h3 id="模型架构：循环语言模型looplm">模型架构：循环语言模型（LoopLM）</h3>
<p>Ouro的核心架构是循环语言模型，其基本思想是将Transformer的层数与参数量解耦，通过<strong>参数共享的循环块</strong>实现深度计算的递归【1†source】。传统Transformer由L个不共享参数的层组成，数据从第1层到第L层顺序处理一次【1†source】。而LoopLM使用一组共享参数的Transformer块，对输入进行多次循环处理【1†source】。以Ouro为例，其模型包含48个Transformer层，但这些层被组织为一个循环块，循环4次，等效于进行了192层深度计算【3†source】。这种设计使得模型能够在不增加参数量的情况下，通过增加循环次数来加深计算，从而提高模型的“思考”深度。</p>
<figure class="generated-chart">
    <div style="height: 400px; position: relative;">
        <canvas id="computeDepthChart"></canvas>
    </div>
    <p style="text-align: center; margin-top: 10px; font-size: 0.9em; color: #495057;">图1：Ouro与标准Transformer计算深度对比</p>
</figure>
<p>LoopLM架构的关键优势在于<strong>自适应计算</strong>。模型配备了一个可学习的“门控”机制，用于决定在每个循环步是否提前终止计算【1†source】。简单输入可以在较少循环后提前“出列”，而复杂问题则会自动分配更多循环次数，从而实现计算深度的动态调整【1†source】。这种机制使模型能够根据输入难度优化计算资源的使用，避免了传统模型对所有输入一视同仁的固定深度计算，也避免了CoT生成过长推理链导致的效率低下。</p>
<h3 id="自适应计算与熵正则化目标">自适应计算与熵正则化目标</h3>
<p>为了实现高效的门控学习，Ouro采用了两阶段训练策略【1†source】。</p>
<div class="component-group">
<p><strong>阶段一：熵正则化训练</strong>。在此阶段，模型同时优化任务性能和计算效率。具体而言，训练目标被定义为所有可能循环步下的期望损失，加上对循环步分布的熵正则项【1†source】。直观理解，这相当于在训练过程中对模型说：“既要在任意循环步上尽量给出正确答案，又要尽量均匀地探索不同循环步，不要一开始就偏向浅层或深层计算。” 熵正则化等价于在贝叶斯变分推断框架下，对循环步引入均匀先验，避免模型过早收敛到浅层计算，从而鼓励模型探索更深的推理路径【1†source】。这一策略确保了模型在训练初期不会因为贪心选择浅层计算而陷入局部最优，为后续学习更复杂的推理模式奠定基础。</p>
<p><strong>阶段二：聚焦门控训练</strong>。在第一阶段收敛后，模型的主体参数被冻结，只训练门控参数【1†source】。此阶段的目标是教会模型如何根据实际性能提升来做出终止决策。具体做法是计算每一步循环相对于前一步的损失改进，如果继续循环能带来显著改进，则应继续；反之则应停止【1†source】。通过这种方式，模型学会了区分“需要深度思考”的复杂输入和“浅层即可解答”的简单输入，从而在推理时做出自适应的计算深度选择。</p>
</div>
<h3 id="训练流程">训练流程</h3>
<p>Ouro的训练流程是一个精心设计的多阶段过程，总计使用了7.7万亿（7.7T）token的训练数据【1†source】。该流程包括：</p>
<div class="component-group">
<ol>
<li><strong>初始预热</strong>：对模型进行初始的预热训练，为后续阶段做准备。</li>
<li><strong>稳定训练阶段1</strong>：使用3T token的标准预训练数据进行训练，使模型获得基本语言能力。</li>
<li><strong>模型分支</strong>：在此阶段，通过参数“回收”（upcycling）技术，将模型参数扩展为1.4B和2.6B两个规模，以分别训练小型和大型模型。</li>
<li><strong>稳定训练阶段2</strong>：对两个规模的模型分别继续训练3T token，进一步提升性能。</li>
<li><strong>CT退火</strong>：使用1.4T token的链式思维数据进行训练，帮助模型学习更复杂的推理模式。</li>
<li><strong>长上下文训练</strong>：使用20B token的超长上下文数据进行训练，提升模型处理长序列的能力。</li>
<li><strong>中期训练</strong>：进行300B token的针对性训练，优化模型在特定任务上的表现。</li>
<li><strong>推理微调</strong>：最后，对两个规模的模型分别进行监督微调，得到专门的“Ouro-Thinking”推理模型，使其在高级推理基准上表现更佳【1†source】。</li>
</ol>
</div>
<p>这种多阶段、渐进式的训练策略确保了模型在不同规模和不同能力维度上的稳定提升，也体现了Ouro在训练效率和数据利用上的精细设计。</p>
<h2 id="数据分析">数据分析</h2>
<h3 id="卓越的参数效率">卓越的参数效率</h3>
<p>Ouro最引人注目的特点是其<strong>参数效率</strong>。实验结果表明，Ouro 1.4B模型在广泛基准上的表现可媲美参数量为其3倍的4B SOTA模型，Ouro 2.6B模型则可抗衡参数量约3倍的8B模型【1†source】。这意味着，在固定参数预算下，Ouro能够实现相当于传统Transformer 2-3倍的参数效率提升【1†source】。这一优势在推理密集型任务上尤为明显：Ouro 2.6B在MATH-500数学推理基准上的得分为90.85%，远超Qwen3-8B的62.30%；在BBH基准上为80.46%，也高于Qwen3-8B的77.65%【3†source】。在更广泛的基准测试中，Ouro 2.6B在MMLU-Pro、MBPP等推理和编码任务上均优于8B参数的常规模型【3†source】。这些数据强有力地证明了Ouro通过循环计算获得的<strong>“小模型大智慧”</strong>能力。</p>
<figure class="generated-chart">
    <div style="height: 450px; position: relative;">
        <canvas id="performanceChart"></canvas>
    </div>
    <p style="text-align: center; margin-top: 10px; font-size: 0.9em; color: #495057;">图2：Ouro 2.6B与Qwen3-8B在关键推理基准上的性能对比</p>
</figure>
<h3 id="推理与知识操纵优势">推理与知识操纵优势</h3>
<p>Ouro的循环架构带来的不仅是参数效率，还有<strong>推理能力的质变</strong>。通过在潜在空间中进行迭代计算，Ouro能够逐步提炼和重组其内部知识，以解决需要多步推理的问题【1†source】。控制实验表明，Ouro的优势并非源于记忆了更多知识，而是源于对知识的更高效操纵【1†source】。在合成任务中，Ouro在需要事实组合和多跳推理的“Mano”任务上显著优于参数量相同的非循环模型，展现出更强的知识组合能力【1†source】。此外，Ouro生成的推理轨迹与最终输出更加一致，其“思考过程”对结果的解释性更强，而传统CoT往往产生与最终答案脱节的中间步骤【1†source】。这一发现表明，Ouro的潜在推理过程更忠实于问题本身，而非事后合理化。</p>
<h3 id="安全性与忠实度">安全性与忠实度</h3>
<p>Ouro的循环架构还带来了独特且积极的安全属性。研究显示，随着循环次数的增加，模型对有害输入的识别和拒绝能力也在增强，即使在训练时未明确针对安全进行优化【1†source】。这意味着Ouro在深度推理时，会自动强化其内部的安全决策机制，从而在不增加额外安全训练的情况下提升安全性【1†source】。此外，Ouro的循环推理过程具有<strong>单调改进</strong>的特性：每一步循环都有望降低损失，使得模型的输出随着循环加深而逐步优化【1†source】。这种特性不仅提高了输出的可靠性，也使得Ouro能够作为其自身的“草稿模型”，用于加速推理（通过早期循环步生成草稿，后续循环步进行验证和修正）【1†source】。更重要的是，Ouro的推理过程与人类审题解题的过程更为相似，即通过不断反思和修正来接近最终答案，而非一次性生成可能事后无法自圆其说的推理链。</p>
<h3 id="可扩展性分析">可扩展性分析</h3>
<p>Ouro的出现为语言模型的缩放提供了新的思路。传统缩放定律表明，模型性能的提升需要参数和数据的同步增加【13†source】。然而，Ouro证明了<strong>循环深度</strong>可以作为一个与参数量和数据量正交的缩放轴【1†source】。通过增加循环次数，Ouro在不增加参数或数据的情况下实现了性能提升，这为数据受限时代的模型发展提供了一条可行路径【1†source】。同时，Ouro的架构也引发了对其缩放行为的深入研究。例如，最新研究Parcae提出了稳定循环语言模型的缩放定律，通过线性近似和稳定性约束，解释了LoopLM在训练中可能出现的残差爆炸和损失尖峰问题，并提出了稳定化方案【16†source】。这些工作共同指向一个结论：循环语言模型具有独特的缩放特性，需要专门的训练策略和理论分析，但其潜在的收益——在固定资源下获得更强的能力——是巨大的。</p>
<h2 id="结论与建议">结论与建议</h2>
<p>Ouro循环语言模型的成功标志着大型语言模型发展从单纯规模扩张向架构创新的重要转变。它通过<strong>在模型内部嵌入迭代推理</strong>，实现了卓越的参数效率、强大的推理能力和固有的安全改进，为解决数据稀缺和计算成本高昂的瓶颈提供了新的思路【1†source】。Ouro的2.6B模型在多项基准上击败了参数量3倍于它的SOTA模型，这一事实强有力地证明了循环架构的潜力【3†source】。更重要的是，Ouro将“思考过程”内化于模型，使其更接近人类的推理方式，为构建更可解释、更安全的AI系统铺平了道路。</p>
<p>然而，Ouro的提出也带来了新的挑战和开放问题。首先，如何<strong>稳定训练</strong>循环语言模型仍是一个活跃的研究领域。Ouro的训练需要精心的阶段划分和超参数调整，以避免训练不稳定【1†source】。未来需要更深入的理论分析和更鲁棒的训练算法来降低训练LoopLM的门槛。其次，<strong>推理延迟</strong>是Ouro面临的一个现实问题。由于需要多次循环计算，Ouro的推理速度较同等参数量的非循环模型更慢，这在实时应用中可能成为瓶颈【3†source】。如何通过优化算法和硬件加速来缓解这一延迟，是Ouro走向实用化的关键。再次，<strong>循环深度的选择</strong>尚无定论。Ouro默认使用4次循环，但不同任务可能需要不同的深度，如何自动或动态地确定最优循环次数，是一个值得探索的方向。最后，<strong>更广泛的应用和评估</strong>是必要的。目前Ouro主要在学术基准上展示了优势，未来应在更多真实世界任务中验证其有效性，并评估其在多模态、长上下文等更复杂场景下的表现。</p>
<p>综上所述，Ouro循环语言模型代表了大型语言模型发展的一个新方向。它不仅挑战了“更大即更好”的传统智慧，也为构建更高效、更智能、更安全的AI系统提供了实践范例。对于研究者和工程师而言，Ouro的启示在于：在追求模型规模扩张的同时，不应忽视对模型架构本身的创新。对于产业界而言，Ouro展示了在资源受限的环境下（如边缘设备、本地部署）实现高性能AI的可能性【14†source】【21†source】。对于政策制定者和社会而言，Ouro的内在安全改进特性值得肯定，但也需关注其潜在风险，并确保此类技术的开发和应用符合伦理规范和法律法规【5†source】【6†source】。未来，我们期待看到Ouro及其后续工作在理论与实践上的进一步发展，以及循环语言模型在AI领域的更广泛应用。</p>
    </div>
    <script>
    document.addEventListener('DOMContentLoaded', function() {
        // --- Global Chart Settings ---
        Chart.defaults.font.family = "'Alibaba PuHuiTi 3.0', 'Noto Sans SC', 'Noto Serif SC', sans-serif";
        Chart.defaults.color = '#212529';
        Chart.defaults.borderColor = '#E9ECEF';

        // --- Chart 1: Compute Depth Comparison ---
        const computeDepthCtx = document.getElementById('computeDepthChart');
        if (computeDepthCtx) {
            new Chart(computeDepthCtx, {
                type: 'bar',
                data: {
                    labels: ['标准 Transformer', 'Ouro (循环语言模型)'],
                    datasets: [{
                        label: '计算深度 (等效层数)',
                        data: [48, 192],
                        backgroundColor: [
                            'rgba(108, 117, 125, 0.5)', 
                            'rgba(13, 110, 253, 0.5)'  
                        ],
                        borderColor: [
                            'rgba(108, 117, 125, 1)',
                            'rgba(13, 110, 253, 1)'
                        ],
                        borderWidth: 1
                    }]
                },
                options: {
                    responsive: true,
                    maintainAspectRatio: false,
                    scales: {
                        y: {
                            beginAtZero: true,
                            max: 192 * 1.2,
                            title: {
                                display: true,
                                text: '计算深度 (等效层数)',
                                font: {
                                    size: 14
                                }
                            },
                            grid: {
                                borderDash: [5, 5] 
                            }
                        },
                        x: {
                            grid: {
                                display: false
                            }
                        }
                    },
                    plugins: {
                        legend: {
                            display: false
                        },
                        tooltip: {
                            callbacks: {
                                label: function(context) {
                                    let label = context.dataset.label || '';
                                    if (label) {
                                        label += ': ';
                                    }
                                    if (context.parsed.y !== null) {
                                        label += context.parsed.y + ' 层';
                                    }
                                    return label;
                                }
                            }
                        },
                        title: {
                           display: false
                        }
                    }
                }
            });
        }

        // --- Chart 2: Performance Comparison ---
        const performanceCtx = document.getElementById('performanceChart');
        if (performanceCtx) {
            new Chart(performanceCtx, {
                type: 'bar',
                data: {
                    labels: ['MATH-500', 'BBH'],
                    datasets: [
                        {
                            label: 'Ouro 2.6B',
                            data: [90.85, 80.46],
                            backgroundColor: 'rgba(13, 110, 253, 0.5)',
                            borderColor: 'rgba(13, 110, 253, 1)',
                            borderWidth: 1
                        },
                        {
                            label: 'Qwen3-8B',
                            data: [62.30, 77.65],
                            backgroundColor: 'rgba(25, 135, 84, 0.5)',
                            borderColor: 'rgba(25, 135, 84, 1)',
                            borderWidth: 1
                        }
                    ]
                },
                options: {
                    responsive: true,
                    maintainAspectRatio: false,
                    scales: {
                        y: {
                            beginAtZero: true,
                            max: 100,
                            title: {
                                display: true,
                                text: '得分 (%)',
                                font: {
                                    size: 14
                                }
                            },
                            ticks: {
                                callback: function(value) {
                                    return value + '%';
                                }
                            },
                            grid: {
                                borderDash: [5, 5]
                            }
                        },
                        x: {
                            grid: {
                                display: false
                            }
                        }
                    },
                    plugins: {
                        legend: {
                            position: 'top',
                        },
                        tooltip: {
                            mode: 'index',
                            intersect: false,
                            callbacks: {
                                label: function(context) {
                                    let label = context.dataset.label || '';
                                    if (label) {
                                        label += ': ';
                                    }
                                    if (context.parsed.y !== null) {
                                        label += context.parsed.y + '%';
                                    }
                                    return label;
                                }
                            }
                        },
                         title: {
                           display: false
                        }
                    }
                }
            });
        }
    });
    </script>
</body>
</html>                    
讨论回复

0 条回复
还没有人回复，快来发表你的看法吧！
需要登录才能发表回复
登录注册
Ouro循环语言模型深度研究报告

讨论回复

推荐
