一、一次刻意为之的“偏科”

上一篇文章《0.6B 硬刚 8B/20B》用数据证明了一件事：Xiaothink-T17-RWKV5-MLA-Instruct-Pro（≈0.6B）在中文自然语言任务上表现亮眼。但成绩单里也躺着一个刺眼的数字——前端页面生成 25.0，全场最低。

这不是意外，而是一次刻意取舍的结果。本模型基于 t17_rwkv5_mla_instruct_frontend 继续微调，训练重心从“写前端”转向“写中文”，于是中文更强、前端变弱。这篇文章聊聊这个选择背后的架构逻辑与数据证据。

二、先复习：RWKV-v5 + MLA 是什么？

T17 系列的核心是自研的RWKV-v5 + MLA（DeepSeek V3 风格低秩压缩注意力）纯历史检索架构：

• RWKV-v5 时间混合：负责当前 token 的上下文建模，线性复杂度、可流式推理；
• MLA 历史检索：把历史状态压缩成低秩 key/value 缓存，当前 token 通过注意力检索过往“快照”，实现长程记忆，而无需完整序列注意力；
• 门控融合：把 RWKV 的当前输出与 MLA 检索到的历史信息按可学习权重融合，再喂给 FFN。

关键超参（instruct_pro）：

这套架构在“0.6B 锁住超长记忆”这件事上的优势，之前的多篇文章已经拆过，这里不展开。

三、从 frontend 到 instruct_pro：一次方向调整

模型脉络是这样的：

• t17_rwkv5_mla_frontend：面向 WanlyFrontend（WF）声明式语言专项训练，擅长把一句需求编译成网页，前端生成能力强；
• t17_rwkv5_mla_instruct：在 frontend 基础上补上通用中文指令能力（对话、创作、情感等）；
• t17_rwkv5_mla_instruct_pro：本模型，继续强化中文自然语言理解与指令遵循，覆盖古诗、知识问答、长文本等 6 领域。

也就是说，instruct_pro 是 frontend 版的“改行”之作——把原本花在前端语法上的容量，挪给了中文自然语言。改行有收益，也有代价。

四、数据怎么说？收益与代价

来自 DeepSeek-V4-Flash 对照盲测（6 领域 × 3 题，温度梯度 [0.68, 0.92] 采样，取最高分）：

收益侧：指令遵循 90.7 全场第一（含 8B/20B/云端）；通用知识越过 llama-3-8B；古诗生成在同尺寸里断档领先；总体 65.3 反超 Qwen3-0.6B 的 62.8。

代价侧：前端页面生成 25.0，比 frontend 版明显下降，也不及 Qwen3-0.6B 的 34.9。长文本处理 50.0 同样偏弱。

一句话总结数据：把容量花在哪，成绩就长在哪。

五、怎么选型？

模型下载（ModelScope）：Xiaothink-T17-RWKV5-MLA-0.6B-Instruct-Pro（本模型）、Xiaothink-T17-RWKV5-MLA-0.6B-Frontend（前端版）

配合 xiaothink ≥ 1.5.0 的深度思考（think=True 强制<think>），本模型在古诗创作、知识问答这类需要“先想再答”的任务上还有额外增益。

六、总结

1. Instruct-Pro 是一次刻意偏科：把容量从 WF 前端语法转向中文自然语言；
2. 盲测数据验证了取舍——指令遵循 90.7 全场第一、总体反超同尺寸 Qwen3-0.6B，代价是前端 25.0 明显下滑；
3. 选型大于调参：做前端用 frontend 版，做中文用 instruct_pro 版，各司其职。

数据全部来自真实盲测，欢迎交流讨论！