2025 年 9 月 24 日，rwkv7-g1a 2.9b 推理模型正式开源，进一步推动纯 rnn 架构在语言理解与生成方面的能力边界。

该模型基于 RWKV7-G1 2.9B 持续训练了 1T tokens 的高质量数据，在多个维度上实现显著性能跃升。

模型客观评测表现

英文及多语言能力

在同参数规模的开源模型中，RWKV7-G1a 2.9B 在基础英语和跨语言任务上的表现更为出色：

作为一个未经针对性“刷榜”优化的纯预训练基座模型，其 MMLU 分数提升至 61.1%，MMLU Pro 达到 31.5%（此前版本分别为 58.0% 和 25.8%）。

真实能力评估：无法作弊的测试

Uncheatable Eval 是一种“防作弊”的评测方式，采用最新论文、新闻、代码、小说等实时内容，通过衡量模型对新信息的压缩能力（即“压缩即智能”理论），来检验语言模型的真实泛化水平。

在此项测试中，RWKV7-G1a 2.9B 表现持续进步，超越当前所有其他 3B 级别的开源模型。

实际应用演示

多语言翻译能力

建议使用保守解码设置进行翻译任务：temp=0.2，topp=0.2，presence=0，frequency=0，decay=0.996

支持多种语言同步互译：

编程能力展示

推荐代码生成使用以下参数：temp=0.3，topp=0.3，presence=0，frequency=0，decay=0.996

解决最长公共子序列问题：

实现 LRU 缓存结构设计：

数学推理能力

解答数学题建议配置：temp=0.3，topp=0.3，presence=0，frequency=0，decay=0.996

抛物线相关计算：

多项式方程处理：

物理问题求解

物理类问题推荐相同保守参数：temp=0.3，topp=0.3，presence=0，frequency=0，decay=0.996

计算火星表面重力加速度：

创意文本生成

创作类任务可启用更开放的采样策略：temp=0.6，topp=0.7，presence=2，frequency=0.2，decay=0.99（注意为 0.99）

古体诗创作示例：

模型获取方式

可从以下平台下载 RWKV7-G1a 2.9B 模型权重：

• Hugging Face：https://www./link/f35841e00244e469c8bfa8a45272a6bc
• 魔搭社区：https://www./link/1f1eb1eaff40d5b16011f0d5c49fbf13
• WiseModel：https://www./link/9d53b7a44f7aea7ef05b4bc3c1e37d09

如何运行 RWKV 模型

我们提供多种在线体验入口以及本地部署方案，帮助用户快速上手。

在线体验（对话模式）

为了让社区便捷体验 G1a 版本，我们推出了聊天界面的在线 demo：

• Hugging Face Space：https://www./link/274a743f5ed8555e1183b6b752cbeba7 G1a）
• 魔搭 Studio：https://www./link/397dcbbb8a93272b66300d4126b4f9e9 G1a）

该对话系统由社区成员 @Leon 开发，并在 GitHub 项目 web-rwkv-realweb 中完全开源。

在线体验（文本续写模式）

也可通过官方 Gradio Demo 尝鲜 RWKV7-G1a 2.9B：

• Hugging Face Gradio Demo：https://www./link/7c8b2cb44792a9a6b30a02869a605fd8

此外，RWKV7-G1a 2.9B 支持新型推理范式（含长度控制功能），详情参见：RWKV7-G1a 1.5B 开源发布，新推理风格和长度控制，效果显著增强

本地运行指南

支持使用 RWKV Runner、Ai00、pip 包等方式本地加载模型。

同时，RWKV 已兼容主流推理框架如 llama.cpp 和 ollama。

鉴于 RWKV7-G1a 2.9B 为最新发布版本，目前推荐优先使用 RWKV Runner 以确保输出稳定性。

详细教程请访问 RWKV 官网 - 模型推理文档页面。

加入 RWKV 用户社区

欢迎加入 RWKV 开发生态！您可以通过以下渠道了解模型动态、参与讨论或获取技术支持：

• ? 中文官网文档：https://www./link/ad627bf5fd6966693e97a7349d85589c
• ? RWKV 社区论坛：https://www./link/ca66c4195dbebc6f59ceaf0e10629664
• ? QQ 频道链接：https://www./link/6fb41c898918ad5a0df0e50f3790f057
• ? B站教学视频：https://www./link/33bd495470ddcf80911ca403ad6e3dd6

我们鼓励基于 RWKV-7 的科研探索与创业实践，并将为相关项目提供必要的技术协助。
若您的团队正基于 RWKV 展开研究或产品开发，请联系我们！（可通过“RWKV元始智能”微信公众号留言联系方式，或发送邮件至 contact@rwkvos.com）

源码仓库：https://www./link/1f1eb1eaff40d5b16011f0d5c49fbf130