[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wb14123--seq2seq-couplet":3,"tool-wb14123--seq2seq-couplet":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":78,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},2629,"wb14123\u002Fseq2seq-couplet","seq2seq-couplet","Play couplet with seq2seq model. 用深度学习对对联。","seq2seq-couplet 是一个基于深度学习技术的开源项目，旨在让计算机学会创作中国传统对联。它利用经典的 Seq2Seq（序列到序列）模型架构，通过大量对联数据训练，能够根据用户给出的上联，自动生成对仗工整、意境相合的下联，有效解决了传统对联创作门槛高、灵感难求的问题。\n\n该项目由 TensorFlow 构建，核心亮点在于将自然语言处理技术应用于古典文学场景。开发者可以灵活配置超参数进行模型训练，并通过 TensorBoard 实时监控损失函数与 BLEU 评分以优化效果；项目还支持断点续训及 Docker 容器化部署，方便快速搭建在线演示服务。从生成示例来看，模型不仅能处理常规写景抒情，还能在“梦里不知身是客”等复杂语境下输出颇具文采的回应。\n\nseq2seq-couplet 非常适合对自然语言处理感兴趣的开发者与研究人员，可作为学习 Seq2Seq 模型实战的优质案例；同时，它也适合传统文化爱好者或教育工作者，用于探索 AI 在诗词歌赋领域的创新应用，体验科技与人文交融的乐趣。","\nThis is a project use seq2seq model to play couplets (对对联)。 This project is written with Tensorflow. You can try the demo at [https:\u002F\u002Fai.binwang.me\u002Fcouplet](https:\u002F\u002Fai.binwang.me\u002Fcouplet).\n\nPre-requirements\n--------------\n\n* Tensorflow\n* Python 3.6\n* Dataset\n\n\nDataset\n-----------\n\nYou will need some data to run this program, the dataset can be downloaded from [this project](https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fcouplet-dataset).\n\n** Note: If you are using your own dataset, you need to add `\u003Cs>` and `\u003C\\s>` as the first two line into the vocabs file. **\n\nUsage\n------------\n\n### Train\n\nOpen `couplet.py` and config the file locations and hyperparams. Then run `python couplet.py` to train the model. You can see the training loss and bleu score at Tensorbloard. You may need to re-config `learning_rate` when you find the loss stops descresing. Here is an example of the loss graph:\n\n![loss graph](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwb14123_seq2seq-couplet_readme_7155ede1cc01.png)\n\nIf you stoped the training and want to continue to train it. You can set `restore_model` to `True` and use `m.train(\u003Cepoches>, start=\u003Cstart>)`, which `start` is the steps you've already run.\n\nI've trained the model on a Nvidia GTX-1080 GPU for about 4 days.\n\n\n### Run the trained model\n\nOpen `server.py` and config the `vocab_file` and `model_dir` params. Then run `python server.py` will start a web service that can play couplet.\n\nOr build the Docker image with Dockerfile and run it with Docker. Remember to mount the correct model file paths into the Docker container.\n\n\nExamples\n-------------\n\nHere are some examples generated by this model:\n\n| 上联                        | 下联                |\n|-----------------------------|--------------------|\n| 殷勤怕负三春意                | 潇洒难书一字愁        |\n| 如此清秋何吝酒                | 这般明月不须钱        |\n| 天朗气清风和畅                | 云蒸霞蔚日光辉        |\n| 梦里不知身是客                | 醉时已觉酒为朋        |\n| 千秋月色君长看                | 一夜风声我自怜        |\n","这是一个使用序列到序列模型来对对联的项目。该项目使用TensorFlow编写。你可以在[https:\u002F\u002Fai.binwang.me\u002Fcouplet](https:\u002F\u002Fai.binwang.me\u002Fcouplet)尝试演示。\n\n前置条件\n--------------\n\n* Tensorflow\n* Python 3.6\n* 数据集\n\n\n数据集\n-----------\n\n你需要一些数据来运行这个程序，数据集可以从[这个项目](https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fcouplet-dataset)下载。\n\n** 注意：如果你使用自己的数据集，需要在词汇表文件的前两行分别添加 `\u003Cs>` 和 `\u003C\\s>`。 **\n\n用法\n------------\n\n### 训练\n\n打开 `couplet.py` 并配置文件路径和超参数。然后运行 `python couplet.py` 来训练模型。你可以在TensorBoard上看到训练损失和BLEU分数。当发现损失不再下降时，可能需要重新调整 `learning_rate`。以下是一个损失曲线图的例子：\n\n![loss graph](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwb14123_seq2seq-couplet_readme_7155ede1cc01.png)\n\n如果你停止了训练并想继续训练，可以将 `restore_model` 设置为 `True`，然后使用 `m.train(\u003Cepoches>, start=\u003Cstart>)`，其中 `start` 是你已经运行过的步数。\n\n我已经在Nvidia GTX-1080 GPU上训练了大约4天。\n\n\n### 运行训练好的模型\n\n打开 `server.py` 并配置 `vocab_file` 和 `model_dir` 参数。然后运行 `python server.py` 将启动一个可以对对联的Web服务。\n\n或者使用Dockerfile构建Docker镜像，并通过Docker运行。记得将正确的模型文件路径挂载到Docker容器中。\n\n\n示例\n-------------\n\n以下是一些由该模型生成的对联示例：\n\n| 上联                        | 下联                |\n|-----------------------------|--------------------|\n| 殷勤怕负三春意                | 潇洒难书一字愁        |\n| 如此清秋何吝酒                | 这般明月不须钱        |\n| 天朗气清风和畅                | 云蒸霞蔚日光辉        |\n| 梦里不知身是客                | 醉时已觉酒为朋        |\n| 千秋月色君长看                | 一夜风声我自怜        |","# seq2seq-couplet 快速上手指南\n\n本项目基于 TensorFlow 和 Seq2Seq 模型，用于自动生成对联（对对联）。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.6\n*   **核心依赖**：TensorFlow\n*   **数据集**：需单独下载对联训练数据\n\n建议先安装 Python 3.6 环境，然后通过 pip 安装 TensorFlow：\n\n```bash\npip install tensorflow\n```\n\n## 安装步骤\n\n### 1. 获取代码\n克隆本项目仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet.git\ncd seq2seq-couplet\n```\n\n### 2. 准备数据集\n本项目不包含默认数据集，需要从配套项目下载。\n\n*   **下载地址**：[couplet-dataset](https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fcouplet-dataset)\n*   **操作说明**：下载完成后，将数据文件放置于项目目录或您指定的路径。\n\n> **重要提示**：如果您使用自定义数据集，必须在词汇表文件（vocabs file）的**前两行**分别添加 `\u003Cs>` 和 `\u003C\\s>` 标记，否则程序无法正常运行。\n\n## 基本使用\n\n### 1. 训练模型 (Train)\n\n首先编辑 `couplet.py` 文件，配置数据文件路径及超参数（如 `learning_rate`）。\n\n运行以下命令开始训练：\n\n```bash\npython couplet.py\n```\n\n*   **监控训练**：您可以启动 TensorBoard 查看训练损失（loss）和 BLEU 分数。\n*   **断点续训**：若训练中断，可在代码中设置 `restore_model = True`，并调用 `m.train(\u003Cepoches>, start=\u003Cstart>)`，其中 `start` 为已运行的步数。\n\n### 2. 运行服务 (Run)\n\n模型训练完成后，编辑 `server.py` 文件，配置 `vocab_file`（词汇表路径）和 `model_dir`（模型保存路径）。\n\n启动 Web 服务：\n\n```bash\npython server.py\n```\n\n服务启动后，即可通过浏览器访问接口进行对联生成测试。\n\n#### 使用 Docker 运行（可选）\n\n您也可以使用 Docker 部署：\n\n```bash\ndocker build -t couplet-bot .\ndocker run -v \u002Fpath\u002Fto\u002Fyour\u002Fmodel:\u002Fapp\u002Fmodel couplet-bot\n```\n*注意：请确保将宿主机的模型文件路径正确挂载到容器内。*\n\n### 生成效果示例\n\n| 上联 | 下联 |\n| :--- | :--- |\n| 殷勤怕负三春意 | 潇洒难书一字愁 |\n| 如此清秋何吝酒 | 这般明月不须钱 |\n| 天朗气清风和畅 | 云蒸霞蔚日光辉 |","某文化类小程序开发团队需要在春节期间上线“智能对对联”互动功能，以吸引用户参与传统习俗体验。\n\n### 没有 seq2seq-couplet 时\n- 开发团队需人工收集并整理数万副古今对联作为规则库，数据清洗与格式统一耗时数周。\n- 仅能实现简单的关键词匹配或固定模板回复，用户输入稍显生僻的上联，系统便无法响应或返回生硬结果。\n- 缺乏泛化能力，无法处理从未见过的上联句式，导致用户体验断裂，互动趣味性大打折扣。\n- 若要提升智能程度，需从零搭建深度学习模型，团队面临算法选型、超参数调优及长时间训练的资源瓶颈。\n\n### 使用 seq2seq-couplet 后\n- 直接复用项目提供的成熟数据集与预处理脚本，快速完成数据加载，将准备周期从数周缩短至几天。\n- 基于训练好的 Seq2Seq 模型，系统能理解语义语境，即使面对“殷勤怕负三春意”这类复杂上联，也能生成“潇洒难书一字愁”等工整且意境相符的下联。\n- 具备强大的泛化推理能力，对用户即兴创作的陌生上联也能实时给出高质量回应，显著提升互动流畅度。\n- 依托 TensorFlow 架构与现成训练代码，团队只需调整少量配置即可在 GPU 上完成模型训练，并通过 Docker 快速部署为 Web 服务。\n\nseq2seq-couplet 将原本高门槛的传统文化数字化过程，转化为可快速落地的工程实践，让 AI 真正赋能传统节日互动。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwb14123_seq2seq-couplet_0f6bb9da.png","wb14123","Bin Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwb14123_0621bd57.jpg",null,"Canada","bin.wang@mail.binwang.me","https:\u002F\u002Fwww.binwang.me","https:\u002F\u002Fgithub.com\u002Fwb14123",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",98.2,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",1.8,5501,1066,"2026-04-02T17:22:41","AGPL-3.0","","训练阶段需要 NVIDIA GPU（示例使用 GTX-1080，耗时约 4 天），推理阶段未强制要求但建议使用；显存大小和 CUDA 版本未说明","未说明",{"notes":100,"python":101,"dependencies":102},"运行前需从外部项目下载对联数据集。若使用自定义数据集，必须在词汇表文件（vocabs file）的前两行添加'\u003Cs>'和'\u003C\\s>'标记。训练时可通过 TensorBoard 监控损失和 BLEU 分数，若损失不再下降需调整学习率。支持通过 Docker 部署服务，需注意挂载正确的模型文件路径。","3.6",[103],"tensorflow",[13],[106,107,108],"seq2seq","deep-learning","machine-learning","2026-03-27T02:49:30.150509","2026-04-06T07:13:35.134615",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},12157,"运行 server.py 时遇到模型文件未找到（Not found: Unsuccessful TensorSliceReader constructor）的错误怎么办？","该错误通常是因为路径配置不正确或文件名不匹配。请确保训练完成后生成的模型文件（如 model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta）位于 server.py 配置的读取路径下。注意检查代码中加载模型的路径设置，确保与实际文件路径一致。接口调用地址通常为 `http:\u002F\u002Flocalhost:5000\u002Fchat\u002Fcouplet\u002F上联内容`。如果访问根路径 localhost:5000 返回 404 是正常的，因为服务只响应特定的 API 路由。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F5",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},12158,"为什么输入某些词语（如“好运气”、“运动会”）时，下联总是生成“开发区”？","这是一个已知的模型局限性现象，并非程序 Bug。当输入的训练数据中未充分覆盖的词汇，或者模型在训练过程中过度拟合了某些高频模式时，可能会倾向于输出训练集中出现频率极高的通用词汇（如“开发区”）。这表明模型对于未见过的短语缺乏泛化能力，建议通过增加更多样化的对联数据进行重新训练来改善。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F16",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},12159,"为什么生成的对联上下联完全一样，或者出现无限循环的情况？","这通常是因为上联不符合对联的平仄规则。正常情况下，上联的最后一个字应该是仄声（三、四声），而下联最后一个字应为平声（一、二声）。如果上联末字是平声（例如“幽”），模型可能难以生成合适的下联，从而导致重复输出上联或陷入循环。尝试修改上联使其符合“仄起平收”的规则通常能解决此问题。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F37",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},12160,"模型生成的对联有时包含不恰当、奇怪甚至带有歧义的内容（如“黄据多”、“三观太正”等），这是怎么回事？","这是由于模型基于统计概率生成文本，它学习的是训练数据中的字词搭配规律，而不具备真正的语义理解或道德判断能力。如果训练数据中包含网络流行语、特定语境下的梗或不规范的表达，模型可能会在特定输入下组合出看似荒谬或有歧义的词句（例如将“特朗普”对为“黄据多”）。这反映了 AI 模型的不可控性，使用时需人工筛选结果。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F60",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},12161,"如何评价或优化用户提交的对联作品（如“一点青山 二分秋水”）？","对于用户创作的对联，可以从数字对仗和意境匹配角度进行优化。例如针对“一点青山 二分秋水 藏不住 三里桃花”，可以试对“六朝骈文 七言诗律 表不了 八方绮丽”，利用数字（一二三对六七八）和文学体裁进行工整对仗。此外，注意季节逻辑，如将“秋水”改为“春水”可能在某些语境下更符合“桃花”盛开的季节特征，使意境更统一。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F2",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},12162,"模型是否考虑发音（平仄音韵）的对仗？","目前的 seq2seq 模型主要基于字符序列进行训练，侧重于字面意思和结构的对应，并不显式地考虑发音（如平仄、押韵）规则。虽然偶尔会生成发音巧妙的对联（如“饥鸡盗稻童筒打”对“暑鼠凉梁客咳惊”），但这通常是巧合而非模型刻意优化的结果。如果需要严格的音韵对仗，目前仍需依靠人工调整或使用专门针对音韵训练的模型。","https:\u002F\u002Fgithub.com\u002Fwb14123\u002Fseq2seq-couplet\u002Fissues\u002F32",[]]