2025 年 12 月 31 日，rwkv7 g1c 系列推理模型正式开源发布，目前已上线 g1c 13.3b / 7.2b / 2.9b 三款规格模型。

RWKV 模型命名中的 G1 / G1a / G2 等标识，对应不同版本的预训练数据集。在相同参数量下，请始终优先选用发布日期最新的模型版本，以获得最优性能表现。

得益于 G1c 系列出色的预训练质量，用户仅需少量标注数据，即可通过 State-tuning 快速适配高难度任务。

例如，社区开发者顾真牛仅使用 7000 条样本对 G1c 2.9B 进行 state-tuning，便成功构建出具备强交互能力的智能体系统：

• 支持自动多轮 function call 链式调用 + 思维链（CoT）推理
• 兼容多角色切换、多语种响应，并可驱动 3D 虚拟形象完成语言与动作协同输出

图中展示的是顾真牛设计的专属对话协议与指令结构。

您可根据实际需求自由定义输入格式，借助极少量高质量数据即可完成高效微调。

模型性能评估

Uncheatable Eval 综合评测

Uncheatable Eval 基于前沿论文、实时新闻、开源代码仓库及原创小说等未见于训练数据的全新语料，以“压缩率”为核心指标（即“压缩即智能”范式），全面衡量基础语言模型的语言建模精度与跨域泛化能力。

本次 Uncheatable Eval 升级显著提升评测强度：新增大量 GitHub 项目代码片段与 arXiv 论文摘要，并延长单条测试文本长度，更贴近真实复杂场景。

数据显示，RWKV 系列模型在 Uncheatable Eval 上的成绩持续稳步攀升，未出现任何性能平台期或衰减趋势。

因此，我们有能力实现每月稳定迭代并发布新一代更强基座模型。

MMLU & MMLU PRO

GSM8K & MATH500

HumanEval (pass@1) & MBPP (pass@1)

分类平均得分汇总：

完整评测细节（支持复现）详见：https://www./link/b1152424d9fb3019d63552c1156b04be

所有评测均基于 RWKV 原始基座模型，尚未进行榜单专项优化或后训练刷分。预计 2026 年内，RWKV 将在全部主流评测榜单上实现大幅跃升，全面对标顶尖 Transformer 架构模型。

模型实战演示

以下为 FP16 精度下运行 G1c 2.9B 的典型推理效果：

以下为在 RWKV Chat App 中采用 QNN W4A16 量化方案部署的 G1c 2.9B 实测效果。当前量化方式仍存在明显能力损失，我们计划于 2026 年上半年引入 QAT（量化感知训练）技术彻底解决该问题。

方案设计示例：

代码理解与生成：

数学推理能力展示：

模型下载渠道

获取 RWKV7 G1c 系列（.pth 格式）模型文件：

• Hugging Face：https://www./link/f35841e00244e469c8bfa8a45272a6bc
• 魔搭（ModelScope）：https://www./link/1f1eb1eaff40d5b16011f0d5c49fbf13
• Wisemodel：https://www./link/03af956b4521a1ae096d3f10fb662d23

其他常用格式支持：

• Ollama 格式下载：https://www./link/fdfa9a38cf3d8d850a6fd47b438bfe43
• gguf 格式下载：https://www./link/c920b75709d49179c0ba5a02c9839a46
• .st 格式（Ai00 兼容）下载：https://www./link/1450d375c24bd7003ce26e65757580b9

如何使用 RWKV 模型

在线体验入口

魔搭平台在线 Demo：

• G1c 13.3B（续写模式）：https://www./link/497aa134143557a83712fcfa7c503eb0
• G1c 7.2B（续写模式）：https://www./link/da9cc4cc759d7b03bba5968449c61340
• G1c 2.9B（对话模式）：https://www./link/25dcf1554f13c36b512dfe907acc77d3

Hugging Face 平台在线 Demo：

• G1c 7.2B（续写模式）：https://www./link/f35841e00244e469c8bfa8a45272a6bc0
• G1c 2.9B（续写模式）：https://www./link/f35841e00244e469c8bfa8a45272a6bc1
• G1c 2.9B（对话模式）：https://www./link/f35841e00244e469c8bfa8a45272a6bc2

本地部署指南

推荐使用目前推理效率最高的 Albatross 引擎：https://www./link/f35841e00244e469c8bfa8a45272a6bc3
及其配套并发服务框架 rwkv_lightning（完全兼容 OpenAI API 格式）：https://www./link/f35841e00244e469c8bfa8a45272a6bc4

同时，RWKV 模型已原生适配 llama.cpp、Ollama 等主流推理生态工具。

鉴于 RWKV7 G1c 系列 为最新发布模型，现阶段建议优先选用 RWKV Runner 工具进行本地部署，确保结果准确性与稳定性。

详细部署教程请查阅 RWKV 官网提供的《模型推理实践手册》。

加入 RWKV 社区

诚邀各位开发者、研究者与创业者加入 RWKV 开源社区，共同推动纯 RNN 架构大模型的发展。

• ? RWKV 中文技术文档：https://www./link/f35841e00244e469c8bfa8a45272a6bc5
• ? RWKV 开发者论坛：https://www./link/f35841e00244e469c8bfa8a45272a6bc6

  

• ? QQ 频道（实时交流）：https://www./link/f35841e00244e469c8bfa8a45272a6bc7
• ? Bilibili 教程视频：https://www./link/f35841e00244e469c8bfa8a45272a6bc8

我们全力支持基于 RWKV-7 的商业应用与学术研究。
若您的团队正围绕 RWKV 开展创业项目或科研课题，欢迎联系我们！
（方式一：关注微信公众号“RWKV元始智能”，留言您的联系方式；方式二：发送邮件至 contact@rwkvos.com）

源码地址：https://www./link/f35841e00244e469c8bfa8a45272a6bc9