未来

开发计划

未来规划

经过一年多的开发和探索，我们解决了以下问题：

1. 有向有环的复杂流程处理：参考我们人类团队协作的场景，既可能有固定的流程，有可能再某些节点需要自主选择下游，同时还可能驳回给上游节点。

2. 领域知识微调：领域知识的格式非常固定，经常会造成模型过拟合，知识遗忘等问题，我们的方法可以有效地解决这些问题，并且无需再做语料配比。

3. 强化学习的训练：虽然已经有很多强化学习框架，但是通常都比较复杂消耗资源，我们的方法理论上只需要加载一个基础模型即可，简单易用。

4. 模型预训练知识不足分析：通过对注意力的分析，实现了一套算法，可以识别出基础模型对哪些知识点缺少知识，从而方便后续的语料生产，这对领域知识尤为重要。

5. 语料质量评分：通过算法，识别出语料质量，从而对语料进行质量评分，过滤掉质量差的语料，同时可以由易到难的训练模型。

不足与未来计划

1. 知识召回：这一直是业内的难题，我们希望重新设计一个框架 Y-Retriever ，能够根据语义召回相关的文档，同时能够覆盖两跳的问题。

2. 长距离的知识不足问题：上面提到的模型预训练知识不足分析，目前只能分析短语名词等知识，无法解决长距离依赖的知识关联问题识别，我们将会研究其他方案。

3. 扩展支持不足：Y-Trainer、Y-Squeeze只支持 Qwen 2.5的模型，理论上也支持Qwen 3.0的非moe模型，更多的模型暂时没有人手和精力去适配。

计划

我们团队开源本框架的主要原因，希望过社区的力量，尽快扩展生态，让这个框架更通用。

另外我们还希望能够通过开源社区，寻求一些商业客户，增加团队的收入，以便于扩大团队，开展更有价值的项目。

最终，我们将进行基础模型研究，因为无论如何设计流程、编写提示词、组织语料训练，模型也很难稳定的完成任务。

这是现有模型架构的制约，本质上是模型没有真正的理解能力，和内部思考过程。

因此，我们希望通过开源，寻求一些商业客户，创造利润，同时吸引一些优秀的开发者加入我们，一起解决这个问题。