人工智能深度学习基础模型推理模型【免费下载链接】HRMHierarchical Reasoning Model Official Release项目地址https://gitcode.com/GitHub_Trending/hrm11/HRM点击查看免费下载导读本文以 HRMHierarchical Reasoning Model官方仓库的 README.md 为主体系统讲解这一仅 27M 参数、无需预训练与 CoT 数据即可在 1000 个样本上达到近满分表现的循环推理架构。文章既完整覆盖从环境搭建、数据构建到多卡训练、评估的全流程命令也结合 hrm_act_v1.py、pretrain.py、losses.py 等源码深入剖析高/低层双模块循环、自适应计算时间ACT与 Q-learning 停止机制、稳定最大交叉熵损失等核心原理。读完本文你将能够独立复现 Sudoku、Maze、ARC 三套实验并理解 HRM 为何能在单次前向中完成复杂推理。一、模型概述为什么需要分层推理1.1 背景CoT 推理的瓶颈当前主流大语言模型LLM主要依赖思维链Chain-of-Thought, CoT技术完成推理但这种方式存在三个固有缺陷任务分解脆弱brittle task decomposition、需要大量数据extensive data requirements、延迟高high latency。每一步推理都依赖显式的中间过程监督与逐步生成既昂贵又难以泛化。HRM 的出发点来自人类大脑的认知机制大脑在**分层hierarchical与多时间尺度multi-timescale**上进行信息处理——高层负责缓慢、抽象的规划低层负责快速、精细的计算。受此启发HRM 构建了一种新的循环架构recurrent architecture在不依赖显式中间过程监督的前提下通过单次前向传递single forward pass完成序列推理任务同时兼顾训练稳定性与效率。1.2 HRM 的核心成果根据官方 README 与论文arXiv:2506.21734HRM 的关键特性包括极小的参数规模仅 27M 参数极少的训练数据仅需 1000 个训练样本即可在复杂推理任务上取得出色表现无预训练、无 CoT 数据开箱即用直接面向任务训练强推理能力在复杂 Sudoku 谜题与大迷宫最优路径寻找上接近完美表现ARC 基准上的跨尺度优势在衡量通用人工智能能力的 Abstraction and Reasoning CorpusARC上超越上下文窗口显著更长的更大规模模型。HRM 通过两个相互依赖的循环模块实现上述能力**高层模块high-level module**负责缓慢、抽象规划**低层模块low-level module**负责快速、精细计算。两个模块在单次前向中交替迭代无需对中间过程进行显式监督。二、源码级架构解析双模块循环 ACT2.1 整体结构HRM 的实现核心位于 hrm_act_v1.py其中HierarchicalReasoningModel_ACTV1是 ACTAdaptive Computation Time自适应计算时间包装器真正的推理引擎是其内部模块HierarchicalReasoningModel_ACTV1_Inner。从配置类HierarchicalReasoningModel_ACTV1Confighrm_act_v1.py可以看到模型由以下关键维度决定H_cycles/L_cycles高层与低层的循环次数默认各 2H_layers/L_layers高层与低层的 Transformer 层数默认各 4hidden_size/num_heads/expansion隐藏维度512、注意力头数8、SwiGLU 扩展倍率4pos_encodings位置编码方式支持ropeRoPE与learned可学习位置嵌入halt_max_steps/halt_exploration_probACT 停止机制的最大步数与探索概率puzzle_emb_ndim谜题puzzle嵌入维度。2.2 双模块循环高层规划 低层计算模型将 Transformer Block 组织成两个独立的推理模块hrm_act_v1.pyself.H_level HierarchicalReasoningModel_ACTV1ReasoningModule(layers[...H_layers 个 Block]) self.L_level HierarchicalReasoningModel_ACTV1ReasoningModule(layers[...L_layers 个 Block])每个 Blockhrm_act_v1.py采用Post-Norm结构RMSNorm(残差 双向注意力)与RMSNorm(残差 SwiGLU)注意力为causalFalse的非自回归形式因此所有位置可以在同一时刻并行参与计算。前向传播的核心是嵌套循环hrm_act_v1.pywith torch.no_grad(): for _H_step in range(self.config.H_cycles): for _L_step in range(self.config.L_cycles): z_L self.L_level(z_L, z_H input_embeddings) # 低层结合高层状态与输入 z_H self.H_level(z_H, z_L) # 高层吸收低层结果 # 最后一轮做 1 步可导计算 z_L self.L_level(z_L, z_H input_embeddings) z_H self.H_level(z_H, z_L)从源码结构看这种L 层快算、H 层慢规划的交替模式正是对大脑多时间尺度处理的工程化模拟低层模块在每次高层循环内多次快速刷新状态高层模块则缓慢聚合低层信息形成抽象计划。循环后的最终高层状态z_H经lm_head直接输出预测 logitshrm_act_v1.py整个推理链在单次前向内完成没有任何中间步骤的显式监督。2.3 输入编码与谜题嵌入_input_embeddingshrm_act_v1.py完成三类编码的拼接Token 嵌入通过CastedEmbedding将输入 token 映射为 hidden_size 维向量Puzzle 嵌入CastedSparseEmbedding为每个谜题分配一个可学习的标识向量puzzle_emb_ndim拼接到序列头部让模型区分这是哪个谜题嵌入使用零初始化便于训练早期快速收敛位置编码RoPE旋转位置编码rope_theta10000或可学习位置嵌入learned模式乘以1/sqrt(2)以维持前向方差。值得注意的是谜题嵌入的puzzle_emb_len会占据序列开头若干位置最终lm_head输出时会去掉这些位置[:, self.puzzle_emb_len:]保证输出序列与输入序列对齐。2.4 ACT 自适应计算时间与 Q-learning 停止机制HRM 最精妙的设计是让模型自己决定需要推理多少步。模型在每个循环步都会通过独立的q_headhrm_act_v1.py输出两个 logitsq_halt_logits停止与q_continue_logits继续。该头的权重被显式初始化为 0、bias 填充为 -5hrm_act_v1.py使训练早期几乎不停止加速自举bootstrapping。前向循环中的停止判定hrm_act_v1.py遵循如下逻辑步数累计超过halt_max_steps时强制停止训练阶段若q_halt_logits q_continue_logits则提前停止并引入halt_exploration_prob默认 0.1的随机探索——以一定概率随机指定最小停止步数计算目标 Q 值时不使用回放缓冲区与目标网络代码注释明确说明因 batch_size 足够大、存在大量并行环境采用与 PQN 类似的在线自举思路目标值取下一状态max(halt, continue)经 sigmoid 后的值作为q_continue_logits的训练目标评估阶段一律走满halt_max_stepshrm_act_v1.py 注释为保证 batch 内所有序列的停止步数一致便于批量处理。2.5 损失函数与训练指标损失头ACTLossHead定义于 losses.py总损失为loss lm_loss 0.5 * (q_halt_loss q_continue_loss)lm_losstoken 级交叉熵。支持两种变体stablemax_cross_entropy默认见 losses.py基于log_stablemax的数值稳定交叉熵内部以 float64 计算与softmax_cross_entropy标准 softmax 交叉熵Sudoku-Hard 全量实验采用q_halt_loss停止决策的二分类交叉熵标签为当前序列是否已全部预测正确seq_is_correctq_continue_loss以自举目标target_q_continue监督继续决策将推理多少步转化为可学习的策略问题。训练指标在 WB 中以train/前缀记录其中关键指标exact_accuracy整序列逐位置全对的准确率正是 README 评估章节要求重点查看的指标另有accuracy、q_halt_accuracy、steps平均推理步数等。三、环境准备CUDA、FlashAttention 与 Python 依赖3.1 前置条件PyTorch 与 CUDA 扩展仓库需要构建 CUDA 扩展因此必须先安装与 PyTorch 匹配的 CUDA 工具链。官方推荐 CUDA 12.6# Install CUDA 12.6 CUDA_URLhttps://developer.download.nvidia.com/compute/cuda/12.6.3/local_installers/cuda_12.6.3_560.35.05_linux.run wget -q --show-progress --progressbar:force:noscroll -O cuda_installer.run $CUDA_URL sudo sh cuda_installer.run --silent --toolkit --override export CUDA_HOME/usr/local/cuda-12.6 # Install PyTorch with CUDA 12.6 PYTORCH_INDEX_URLhttps://download.pytorch.org/whl/cu126 pip3 install torch torchvision torchaudio --index-url $PYTORCH_INDEX_URL # Additional packages for building extensions pip3 install packaging ninja wheel setuptools setuptools-scm安装完成后还需安装 FlashAttention。Hopper 架构 GPUH100 等需从源码构建 FlashAttention 3git clone gitgithub.com:Dao-AILab/flash-attention.git cd flash-attention/hopper python setup.py installAmpere 及更早架构 GPUA100/A6000/RTX 30/40 系等则直接安装 FlashAttention 2pip3 install flash-attn注意export CUDA_HOME/usr/local/cuda-12.6只在当前终端会话生效建议写入 shell 配置文件如~/.bashrc以便后续命令使用。3.2 安装 Python 依赖pip install -r requirements.txtrequirements.txt 中的关键依赖及其在项目中的用途依赖用途torch深度学习框架需 CUDA 版adam-atan2主优化器AdamATan2见 pretrain.pyeinops张量重排工具wandb实验跟踪与指标可视化hydra-core/omegaconf命令行配置覆盖与 YAML 配置加载argdantic数据集构建脚本的命令行解析pydantic配置类的类型校验huggingface_hub从 Hugging Face 下载 Sudoku / Maze 源数据 CSV3.3 WB 登录项目使用 Weights Biases 进行实验跟踪与指标可视化训练前需登录wandb login训练脚本 pretrain.py 会自动初始化 WB run项目名默认取数据集目录名run 名由模型名与随机 slug 组成并将每个训练步的 loss、accuracy、exact_accuracy、lr 等指标实时上报。四、快速上手Sudoku 求解器 Demo4.1 下载并构建数据集# Download and build Sudoku dataset python dataset/build_sudoku_dataset.py --output-dir data/sudoku-extreme-1k-aug-1000 --subsample-size 1000 --num-aug 1000该命令从sapientinc/sudoku-extreme数据集仓库下载 CSV随机抽取 1000 个训练样本--subsample-size 1000并对每个样本做 1000 次等价变换增强--num-aug 1000。增强逻辑shuffle_sudokubuild_sudoku_dataset.py依次施加三类保解变换数字置换对 1~9 做随机排列映射0 空白保持不变随机转置以 50% 概率转置棋盘行列带置换随机打乱 3 个 band/stack 的顺序并在每个 band/stack 内部打乱 3 行/列。这些变换保证了增强后的谜题与原谜题共享同一解题规则从而在不泄露答案的前提下扩充训练分布。构建产物为 npy 数组inputs/labels/puzzle_identifiers/puzzle_indices/group_indices与dataset.json元数据seq_len81、vocab_size11。4.2 启动训练单 GPU小 batch# Start training (single GPU, smaller batch size) OMP_NUM_THREADS8 python pretrain.py data_pathdata/sudoku-extreme-1k-aug-1000 epochs20000 eval_interval2000 global_batch_size384 lr7e-5 puzzle_emb_lr7e-5 weight_decay1.0 puzzle_emb_weight_decay1.0各命令行参数通过 Hydra 覆盖默认配置 cfg_pretrain.yamldata_path指向第 4.1 步生成的数据目录epochs20000训练轮数Sudoku 单样本数据集下约对应 2 万次更新eval_interval2000每 2000 轮评估一次并输出指标global_batch_size384全局 batch单卡时即本卡 batchlr7e-5主参数学习率puzzle_emb_lr7e-5谜题嵌入专属学习率与主参数解耦weight_decay1.0/puzzle_emb_weight_decay1.0主参数与谜题嵌入的权重衰减这里取 1.0 表示极强的正则化注意这是面向小样本场景的刻意设置。官方参考运行时长约 10 小时RTX 4070 笔记本 GPU。4.3 训练脚本的底层实现单卡训练同样走 pretrain.py 主流程脚本在检测不到LOCAL_RANK环境变量时自动降级为单进程pretrain.py数据集由 puzzle_dataset.py 的PuzzleDataset按global_batch_size切分模型则由create_modelpretrain.py构建并套上ACTLossHead默认开启torch.compile可通过环境变量DISABLE_COMPILE关闭。优化器采用双优化器策略谜题嵌入缓冲用CastedSparseEmbeddingSignSGD_DistributedSignSGD适配稀疏嵌入的通信开销其余全部参数用AdamATan2beta10.9、beta20.95与 Llama 等大模型惯例一致。两者共享同一套带 warmup 的余弦学习率调度cosine_schedule_with_warmup_lr_lambdapretrain.py前lr_warmup_steps步线性升温之后按余弦曲线衰减到lr_min_ratio × lr但学习率基准不同——谜题嵌入用puzzle_emb_lr主参数用lr这正是谜题嵌入可以更快学习的解耦设计。五、训练配置深度解读5.1 默认配置 cfg_pretrain.yaml# ARC training config defaults: - arch: hrm_v1 - _self_ hydra: output_subdir: null # Data path data_path: data/arc-aug-1000 # Hyperparams - Training global_batch_size: 768 epochs: 100000 eval_interval: 10000 checkpoint_every_eval: True lr: 1e-4 lr_min_ratio: 1.0 lr_warmup_steps: 2000 # Standard hyperparameter settings for LM, as used in Llama beta1: 0.9 beta2: 0.95 weight_decay: 0.1 puzzle_emb_weight_decay: 0.1 # Hyperparams - Puzzle embeddings training puzzle_emb_lr: 1e-2逐项说明data_path默认指向 ARC 增强数据集data/arc-aug-1000通过命令行覆盖可切换任意任务数据集global_batch_size768ARC 默认全局 batch注意 pretrain.py 中传入模型的batch_size为global_batch_size // world_size即每卡 batch 自动均分epochs100000/eval_interval10000要求epochs能被eval_interval整除脚本中有断言校验pretrain.pycheckpoint_every_evalTrue每次评估后都保存 checkpointlr1e-4、lr_min_ratio1.0余弦衰减终点即初始值、lr_warmup_steps2000学习率计划的三要素beta1/beta2Adam 系列优化器动量参数注释明确沿用 Llama 的标准设置weight_decay0.1/puzzle_emb_weight_decay0.1两类参数的正则强度puzzle_emb_lr1e-2谜题嵌入的默认学习率远高于主参数学习率体现嵌入快学、网络慢学的思路Sudoku/Maze 实验则显式覆盖为更小的值。5.2 架构配置 hrm_v1.yamlname: hrm.hrm_act_v1HierarchicalReasoningModel_ACTV1 loss: name: lossesACTLossHead loss_type: stablemax_cross_entropy halt_exploration_prob: 0.1 halt_max_steps: 16 H_cycles: 2 L_cycles: 2 H_layers: 4 L_layers: 4 hidden_size: 512 num_heads: 8 # min(2, hidden_size // 64) expansion: 4 puzzle_emb_ndim: ${.hidden_size} pos_encodings: ropename采用模块类名的约定由 utils/functions.py 的load_model_class动态加载因此更换arch配置即可无缝切换模型变体loss_type支持stablemax_cross_entropy默认与softmax_cross_entropySudoku-Hard 全量实验使用halt_exploration_prob0.1、halt_max_steps16ACT 停止策略的探索率与最大推理步数上限H_cycles2、L_cycles2每轮前向中高/低层交替循环各 2 次H_layers4、L_layers4高/低层各 4 层 Transformer Block后置归一化 双向注意力 SwiGLUhidden_size512、num_heads8、expansion4主网络宽度与 MLP 扩展比puzzle_emb_ndim: ${.hidden_size}谜题嵌入维度与 hidden_size 对齐512pos_encodingsrope位置编码默认 RoPElearned用于 Sudoku-Hard 全量实验。六、完整规模实验8-GPU以下实验假定8 卡环境使用torchrun启动分布式训练。多卡下 pretrain.py 会初始化 NCCL 进程组、按LOCAL_RANK设置设备并将参数从 rank 0 广播到各卡pretrain.py指标由各卡 allreduce 聚合后由 rank 0 记录。6.1 数据集准备# Initialize submodules git submodule update --init --recursive # ARC-1 python dataset/build_arc_dataset.py # ARC offical ConceptARC, 960 examples # ARC-2 python dataset/build_arc_dataset.py --dataset-dirs dataset/raw-data/ARC-AGI-2/data --output-dir data/arc-2-aug-1000 # ARC-2 official, 1120 examples # Sudoku-Extreme python dataset/build_sudoku_dataset.py # Full version python dataset/build_sudoku_dataset.py --output-dir data/sudoku-extreme-1k-aug-1000 --subsample-size 1000 --num-aug 1000 # 1000 examples # Maze python dataset/build_maze_dataset.py # 1000 examples要点说明ARC-1默认从dataset/raw-data/ARC-AGI/data与dataset/raw-data/ConceptARC/corpus读取原始 JSON 谜题共 960 个示例。build_arc_dataset.py 对每个谜题施加两类增强8 种二面体dihedral几何变换 × 颜色置换dihedral_transform不改变黑色 0以及随机平移填充将谜题平移放置到 30×30 画布中并用eos标记真实网格边界见 build_arc_dataset.pyARC-2通过--dataset-dirs指向 ARC-AGI-2 的data目录输出到data/arc-2-aug-10001120 个示例Sudoku默认构建全量版--subsample-size 1000 --num-aug 1000构建 1000 样本增强版Maze默认从sapientinc/maze-30x30-hard-1k下载 1000 个 30×30 迷宫字符集为# SGo墙/空格/起点/终点并施加 8 种 dihedral 变换增强build_maze_dataset.py。三个构建脚本均输出统一的 npy 格式inputs、labels、puzzle_identifiers、puzzle_indices、group_indices与dataset.json、identifiers.json其中puzzle_identifiers将每个谜题映射为全局唯一 ID供模型查询对应的 puzzle 嵌入。6.2 数据集可视化* Open puzzle_visualizer.html in your browser. * Upload the generated dataset folder located in data/...构建完成后用浏览器打开 puzzle_visualizer.html上传data/...目录下的数据集文件夹即可直观查看谜题的输入与标签Sudoku 棋盘、迷宫路径、ARC 网格等便于在训练前检查数据质量与增强效果。6.3 启动训练Small-sample1K系列ARC-1OMP_NUM_THREADS8 torchrun --nproc-per-node 8 pretrain.pyRuntime:~24 hoursARC-2OMP_NUM_THREADS8 torchrun --nproc-per-node 8 pretrain.py data_pathdata/arc-2-aug-1000Runtime:~24 hours官方提示 8 小时的 checkpoint 往往已足够Sudoku Extreme (1k)OMP_NUM_THREADS8 torchrun --nproc-per-node 8 pretrain.py data_pathdata/sudoku-extreme-1k-aug-1000 epochs20000 eval_interval2000 lr1e-4 puzzle_emb_lr1e-4 weight_decay1.0 puzzle_emb_weight_decay1.0Runtime:~10 minutesMaze 30x30 Hard (1k)OMP_NUM_THREADS8 torchrun --nproc-per-node 8 pretrain.py data_pathdata/maze-30x30-hard-1k epochs20000 eval_interval2000 lr1e-4 puzzle_emb_lr1e-4 weight_decay1.0 puzzle_emb_weight_decay1.0Runtime:~1 hourFull Sudoku-HardOMP_NUM_THREADS8 torchrun --nproc-per-node 8 pretrain.py data_pathdata/sudoku-hard-full epochs100 eval_interval10 lr_min_ratio0.1 global_batch_size2304 lr3e-4 puzzle_emb_lr3e-4 weight_decay0.1 puzzle_emb_weight_decay0.1 arch.loss.loss_typesoftmax_cross_entropy arch.L_cycles8 arch.halt_max_steps8 arch.pos_encodingslearnedRuntime:~2 hours值得注意Full Sudoku-Hard 与 1K 小样本实验的关键差异体现在命令行覆盖上lr_min_ratio0.1学习率余弦衰减到初始值的 10%而非 1K 实验的固定学习率global_batch_size2304更大 batch对应 8 卡每卡 288arch.loss.loss_typesoftmax_cross_entropy切换到标准 softmax 交叉熵arch.L_cycles8低层循环次数从 2 提升到 8即每轮高层循环内做 8 次快速计算推理深度显著增加arch.halt_max_steps8ACT 最大停止步数调整为 8小样本场景为 16arch.pos_encodingslearned位置编码改用可学习嵌入。这组命令展示了arch.*前缀的 Hydra 覆盖语法如何在不改动 YAML 文件的前提下逐项覆写 hrm_v1.yaml 中的架构参数。七、评估7.1 训练中评估训练期间无需额外操作脚本在每个eval_interval自动对测试集评估直接查看 WB 中的eval/exact_accuracy指标即可它表示整条输出序列与标签完全一致的样本比例。ARC-AGI 数据集还需额外步骤OMP_NUM_THREADS8 torchrun --nproc-per-node 8 evaluate.py checkpointCHECKPOINT_PATHevaluate.py 会从 checkpoint 所在目录读取训练时保存的all_config.yaml恢复完整配置构建模型与数据加载器加载权重自动处理torch.compile产生的_orig_mod.前缀evaluate.py并在推理模式下运行。评估默认保存inputs/labels/puzzle_identifiers/logits/q_halt_logits/q_continue_logits等输出供后续分析停止决策与预测细节。7.2 ARC 结果后处理* Then use the provided arc_eval.ipynb notebook to finalize and inspect your results.运行完 evaluate.py 后使用仓库附带的 arc_eval.ipynb 笔记本对 ARC 预测结果做最终整理、格式化为 ARC 评估规范并可视化检查。ARC 的评估是以整个谜题正确为单位的因此必须经过该笔记本的逐谜题聚合才能得到标准评分。7.3 使用官方预训练 Checkpoint官方在 Hugging Face 发布了三套预训练检查点ARC-AGI-2、Sudoku 9x9 Extreme1000 样本、Maze 30x30 Hard1000 样本下载地址见 README.md 的 Trained Checkpoints 小节。将下载的权重作为checkpoint参数传入 evaluate.py并配套对应的数据集路径即可直接复现官方指标无需重新训练。八、训练注意事项根据 README 的 Notes 章节两个实操经验值得特别留意小样本学习的精度波动Small-sample1K场景下训练精度通常存在±2 个百分点左右的方差。若以论文报告数值为基准做对比应多次重复实验取均值而非依赖单次运行结果Sudoku-Extreme 的后期过拟合在 1000 样本的 Sudoku 数据集上训练后期过拟合可能引发训练与 Q-learning 过程中的数值不稳定包括 Q 值发散风险。官方建议一旦训练精度接近 100%立即采用early stopping早停不要继续训练到 epoch 上限。九、引用如你的工作使用了 HRM请引用官方论文misc{wang2025hierarchicalreasoningmodel, title{Hierarchical Reasoning Model}, author{Guan Wang and Jin Li and Yuhao Sun and Xing Chen and Changling Liu and Yue Wu and Meng Lu and Sen Song and Yasin Abbasi Yadkori}, year{2025}, eprint{2506.21734}, archivePrefix{arXiv}, primaryClass{cs.AI}, url{https://arxiv.org/abs/2506.21734}, }十、结语HRM 以 27M 参数在千样本规模上实现复杂推理其工程实现体现了三处核心设计高层/低层双模块循环模拟大脑的分层多时间尺度规划ACT Q-learning 停止机制让模型自适应决定推理深度谜题嵌入 解耦双优化器让模型在极少量样本下快速绑定谜题身份与解题策略。结合 hrm_act_v1.py、pretrain.py、losses.py 与三套数据集构建脚本读者既可以照搬 README 命令快速复现全部实验也可以在现有架构上继续探索更深的循环次数、更灵活的停止策略与新的推理任务。赞分享人工智能深度学习基础模型推理模型【免费下载链接】HRMHierarchical Reasoning Model Official Release项目地址https://gitcode.com/GitHub_Trending/hrm11/HRM点击查看免费下载相关推荐Transformers 中的 HRM-Text分层循环推理语言模型架构与实战指南Transformers 中的 HRM Text分层循环推理语言模型架构与实战指南 本文基于 HRM Text 官方模型文档 https://link.git人工智能大模型深度学习NLP预训练微调模型推理服务RawRabbit核心功能全解析从发布订阅到RPC调用的完整教程RawRabbit核心功能全解析从发布订阅到RPC调用的完整教程 RawRabbit是一个现代化的.NET框架专为RabbitMQ通信设计。其模块化设计和面开源项目《art》最佳实践教程开源项目《art》最佳实践教程 1. 项目介绍 《art》是一个由 sebmarkbage 开发的开源项目它旨在为开发者提供一个轻量级、高性能的艺术字体生成工人工智能深度学习基础模型推理模型上一篇3分钟终极指南让Direct3D 8经典游戏在Windows 10/11上完美运行下一篇Windows内存优化终极指南MemReduct 3.5.2轻量级内存清理工具完全解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考