DoLLM

把一台本地機器上的「娃」(DollOS digital being)當成有語言/大腦的存在來養—— 講話像個住在這裡的人,不是 AI 助理。底層是 Qwen3.5-4B,用 LoRA 調成 being(零 alignment), 跑在一個自製的 tick 引擎上。

這 repo 從一個「wire format 薄切片」實驗(見文末歷史)長成現在的 native-tick being。 一貫原則:數字不超譯、負結果照實記——過程與證據見 reports/ 與各 commit。

娃是什麼

一個 tick 的循環(scripts/dollm_native.py 的 NativeTick,借底模原生 token 承載):

感知(perc) → 想(think) → [回想 recall / 動手 do] → 說(say)

• 講人話、去助理化:say 走專屬通道,不切客服腔。
• 會用工具做事:算數/查詢自己敲 CLI(shell),數字不腦補。
• 從錯誤學(test-time,零額外訓練):錯 → 自省 → 底模(關掉 being adapter 的「潛意識」) 把方法蒸餾成規則存進記憶 → 同型新題想起用對。
• 記憶用得準:廣召回(bge)+ 專屬判斷 tick 濾掉不相關 + 主動送穿透性格。
• 有性格:<persona> 塞性格(寫「他是誰」非台詞)就入戲,免訓練。
• context-awareness:對話緩衝 + 量整包 prompt 對「本地負擔得起的預算」, 快滿了自動把重點固化進記憶、丟舊,事後撈得回。

引擎旗標:DOLLM_RECALL_JUDGE / DOLLM_RECALL_ACTIVE / DOLLM_LIVE_LEARN / DOLLM_CONV_BUFFER+DOLLM_CTX_BUDGET。

誠實限制(不能超譯)

• 口感還沒到「完全真人」——底料是大模型生成的,缺真人 gold。
• 多步/需設定的題會卡在鋪陳、算不出(J-lens 從內部看到:答錯時腦子在描述、不在算)。
• 記憶學習只對「反覆犯的系統性錯」有效,對「每題不同的零星錯」無效。
• persona 演已知角色只到「皮」,改不了去助理化烤出的「骨」。
• 安全漏洞(如輕生訊號)未補。

檔案

檔	幹嘛的
scripts/dollm_native.py	native-tick 引擎(NativeTick、記憶迴圈、context-awareness)
scripts/dollm_infer.py	載模型 / DollM
scripts/dollm_env.py	MemoryStore(bge 語意檢索)、工具
reports/	每步實測記錄(先量測、對照數字、負結果照實)
docs/	設計文件(native-tick-design.md 等)

歷史:wire format 薄切片(src/dollm/)

最早驗的是「續訓學不學得會 wire format」。那套 wire/gfmt 程式仍在 src/dollm/, 後來被 native-tick(借底模原生 token,免自訂 wire)取代——見 docs/。