RWKV（Receptance Weighted Key Value）概念

1. 三秒看懂

RWKV 是一種將 Transformer 的並行訓練能力 與 RNN 的高效序列推論能力 結合起來的大型模型基礎架構，核心目標是用 線性複雜度 (O(n)) 替代 Transformer 的 平方複雜度 (O(n²)) 注意力，從而實現模型在長文本、流式應用、邊緣裝置上的高效、低成本執行。其命名直接對應結構核心：Receptance（接受度向量）、Weight（權重）、Key（鍵）、Value（值） 的遞迴時間混合。

2. 三分鐘產業解釋

RWKV 可被看作大型模型領域的一次 “效率革命”嘗試。主流 Transformer 架構雖然在效能上取得巨大成功，但其“每個 token 都要與所有 token 詳算關係”的注意力機制，導致推論延遲和視訊記憶體開銷隨文本長度急劇攀升。RWKV 摒棄了傳統軟最大注意力矩陣，轉而使用一種 帶有可學習指數衰減的遞迴計算，將模型對歷史資訊的記憶濃縮為一個固定大小的隱藏狀態，從而實現 訓練時並行（如 Transformer）、推論時序列（如 RNN）。

在產業分工中，RWKV 屬於基礎模型架構層的探索者。它的走向將深刻影響：

• 上游：推論硬體對高頻寬視訊記憶體的依賴可能降低，邊緣推論晶片的價值凸顯；
• 中游：模型訓練與部署架構需要適配類 RNN 結構，催生新工具鏈；
• 下游：長文件處理、無限流式對話、端側 AI 助手等高併發、低時延場景有望獲得更具價效比的基座模型方案。

目前，該架構仍處於開源社群和研究機構主導的早期階段，尚未形成類似 Transformer 的成熟商業閉環，但其技術潛力已獲得產業界的高度關注。

3. 技術原理

RWKV 的核心創新在於將 Transformer 的 查詢-鍵-值 (Q-K-V) 注意力 範式改造為一組可平行計算的 線性遞迴公式，其結構由 時間混合 (Time-mixing) 模組和 通道混合 (Channel-mixing) 模組堆疊而成，並引入 贏家通吃 (WKV) 運算子替代點積注意力。

3.1 線性注意力與遞迴形式

傳統 Transformer 的自注意力計算可概括為：

 text(Attention)(Q,K,V) = text(softmax)\left(frac(QK^\top){sqrt(d_k)}\right)V 

該過程需要儲存一個 n \times n 的注意力矩陣，記憶體和計算量與序列長度 n 呈二次方關係。

RWKV 啟發於線性注意力思想，將注意力近似為：

 text(LinearAttention)(Q,K,V) \approx \frac{\phi(Q)\left(\phi(K)^\top V\right)}{\phi(Q)\sum \phi(K)^\top} 

通過先計算 K^\top V（與序列長度無關的矩陣乘法），再將結果與 Q 相乘，可將整體複雜度降至 O(n)。然而，簡單的線性注意力往往缺乏有效的位置資訊和遺忘能力。RWKV 的關鍵改進是為線性注意力的 時間衰減 賦予了物理含義，使其成為一個可訓練的、具有指數記憶衰減的迴圈狀態機。

3.2 時間混合（Time-mixing）與 WKV 運算元

RWKV 的時間混合模組對應傳統 Transformer 的注意力子層，其核心遞迴公式為：

 wkv_t = frac( \sum_{i=1}^{t-1} e^{-(t-1-i)w + k_i} v_i + e^{u + k_t} v_t ){ \sum_{i=1}^{t-1} e^{-(t-1-i)w + k_i} + e^{u + k_t} } 

其中 t 為當前時間步，i 為歷史時間步，w 為可學習的通道級時間衰減因子（非負正數，經過指數變換），u 為額外新增的、對當前 token 的特殊受標量引數，k_i、v_i 分別由輸入通過線性變換得到的鍵和值。該公式可以理解為一個帶有指數衰減遺忘的加權和：

• 對於歷史 token i，其鍵 k_i 和值 v_i 會乘上衰減權重 e^{-(t-1-i)w}，距離越遠，權重越小；
• 對於當前 token，單獨使用引數 u 以無衰減方式計入；
• 分母為對應權重求和，起到歸一化作用。

這個 WKV (Weighted Key-Value) 運算元正是“Receptance Weighted Key Value”架構名稱的由來。最終時間混合輸出為：

 text(out)_t = text(sigmoid)(text(Receptance)_t) \cdot wkv_t 

其中 text(Receptance) 是一個接受度向量，由輸入經另一線性對映得到，扮演類似門控的角色，決定當前時間步允許多少 WKV 資訊輸出。

3.3 通道混合（Channel-mixing）

通道混合模組類似於 Transformer 的前饋網路（FFN），既對特徵通道進行非線性變換，也混入了一定的歷史記憶。其公式為：

 text(out)_t = text(sigmoid)(text(Receptance)) \cdot \left( \mu \odot x_t + (1 - \mu) \odot x_{t-1} \right) 

並接有線性變換與啟用函式。設計上始終保持對上一時刻特徵的依賴，從而保留遞迴性質。

3.4 訓練與推論的解耦

RWKV 結構最巧妙之處在於 訓練與推論的實現解耦：

• 訓練時，整個序列的 WKV 計算可通過構造特殊的注意力矩陣（利用卷積或並行字首掃描演算法）一次性並行完成，硬體利用率與 Transformer 處於同一數量級；
• 推論時，模型可將隱藏狀態壓縮為一個固定大小的向量 H（包含 K^\top V 相關累積量與歸一化項），每輸入一個新 token，只需更新此狀態向量並生成輸出，無需回顧任何歷史 token，從而將每步推論複雜度降至 O(1)，視訊記憶體佔用亦與序列長度無關。

這種“訓練並行、推論序列”的模式，理論上為長序列場景提供了傳統 Transformer 難以比擬的吞吐和時延優勢。

4. 關鍵引數

截至目前，RWKV 社群釋出了多代模型，其引數規模與關鍵配置呈現漸進演化。以下列舉代表性版本的部分技術引數（所有資料均來自 RWKV 官方 Hugging Face 模型卡與 GitHub 公開文件，截至 2025 年 4 月）：

模型版本	引數量	層數	隱藏維度	詞彙表大小	上下文長度	關鍵升級點	來源
RWKV-4 World (7B)	7.1B	12	4096	50277	8192	引入世界通用多語言訓練，社群早期成熟版本	Hugging Face / BlinkDL 倉庫
RWKV-5 Eagle (7B)	7.2B	12	4096	50277	8192–16384	全並行訓練格式、改進時間衰減公式、效能對齊同期 LLaMA2 7B	arXiv: 2310.04362
RWKV-6 Finch (7B)	7.2B	12	4096	50277	32768+	引入動態狀態擴充套件與資料依賴的時滯門控，長文本能力顯著增強	RWKV 官方公告 (2024 Q2)
RWKV-6 Finch (14B)	14B	20	5120	65536	32768+	更大容量，初步展現架構在中等引數下的效能連續性	同上

訓練資料與算力：以 RWKV-4 World 系列為例，官方透露其訓練 token 量約 1.2T–1.5T token，使用部分公開資料集（The Pile 等）與多語言語料混合。RWKV-5 Eagle 的實驗資料表明在約 330–600B token 訓練量下，效能即可追平同等訓練的 LLaMA2 架構模型（出處：RWKV-5 論文 Table 1–3，arXiv: 2310.04362）。更高訓練量下的表現與最優超引數組合仍在持續探索中，公開資料未見全系列 Scaling Law 的完整發布。

推論特徵引數：RWKV 推論時每 token 的 KV 快取大小恆定，以 7B 模型為例，其迴圈狀態向量維度等於隱藏維度（4096），約 32 KB（FP32），相較下，同等 Transformer 模型在 2048 上下文時 KV 快取可達 MB 級，長上下文時差異達數十倍以上（定量對比參考建模假設，來源：RWKV 論文附錄分析）。具體晶片實測的延遲與功耗節省資料目前以社群基準測試為主，暫未形成獨立第三方權威機構的大規模測評報告，但多家邊端推論團隊公開驗證了其記憶體佔用的線性增長特性。

5. 技術路線

在高效大型模型架構競賽中，RWKV 隸屬於 線性注意力 / 類 RNN 大語言模型 路線。與主流方案的對比如下（基於 2024–2025 年間公開論文與社群基準）：

架構	注意力複雜度	推論模式	訓練速度（長序列）	長文本能力	生態成熟度	代表工作
Transformer (LLaMA3)	O(n²)	自迴歸 + KV Cache	慢（需顯式計算 n×n 矩陣）	極強（全注意力，可檢索任意距離）	最成熟	Meta LLaMA3
Mamba	O(n)	序列狀態空間模型 (SSM)	快（並行掃描）	良好（選擇性狀態保留）	發展中	Mamba-2, State Space Models
RetNet	O(n)	序列/分塊並行	快（並行遞迴）	良好（衰減記憶）	研究階段	“Retentive Network”
xLSTM	O(n)	序列（改進 LSTM）	快（類似 RNN）	受限於門控機制	早期	“xLSTM: Extended LSTM”
RWKV	O(n)	純序列 (固定狀態)	優秀（與 Transformer 並行訓練，推論 O(1) 迭代）	良好（指數衰減；較新版本引入動態門控補償）	社群活躍，Hugging Face 有限整合	RWKV-5/6

路線差異：

• RWKV 與 Mamba、RetNet 同屬“高效序列建模”陣營，均在追求複雜度線性化，但 RWKV 明確保留了 可平行計算與序列推論的雙模形態，且結構靈感更貼近注意力機制的變形，而非純粹的狀態空間方程。
• 相較於 Mamba 需要硬體友好的並行掃描核心實現高效訓練，RWKV 通過簡單的矩陣運算即可利用現有 GPU 並行能力，使其在缺少專用庫的初期更易普及。
• 與 xLSTM 的“現代 RNN”理念相似，但 RWKV 的時間混合運算元具有更清晰的全域性衰減與歸一化形式，而 xLSTM 仍保留門控單元的標量記憶，兩者在長程依賴編碼的策略上存在本質差異。
• 目前，Transformer 的變體（如 Grouped Query Attention、FlashAttention 等最佳化）已大幅壓低了日常推論成本，使其在中等序列長度（8K）下與線性注意力模型的效率差距顯著縮小。這導致線性路線 主要優勢區間向超長序列（32K 或無限流式）及資源嚴重受限場景集中。

6. 上游

6.1 算力硬體

RWKV 對推論硬體的影響體現在 頻寬與視訊記憶體需求的結構性改變：

• 訓練硬體：與 Transformer 類似，仍需大規模 GPU 叢集（NVIDIA H100/B200 等）完成預訓練。訓練階段的計算量與引數量、資料量強相關，架構差異帶來的訓練效率提升約為同配置的 15%–30%（基於 RWKV-5 論文所示 MMAU 或速度對比），但對絕對算力投入的總量影響有限。當前開源模型的訓練成本公開資料未見精確揭露，可類比 7B 模型 Transformer 訓練約需幾十萬美元到數百萬美元（視資料量），RWKV 的成本邊際降低目前僅限於學術估計。
• 推論硬體：由於去除了不斷增長的 KV 快取，視訊記憶體頻寬需求大幅下降，使得邊端推論晶片（如手機 SoC 內的 NPU、PC 端 AI 引擎、IoT 低功耗晶片）更易承擔大型模型的推論任務。這將可能改變硬體需求結構：由追求極致視訊記憶體容量和頻寬的雲端端大卡，轉向更均衡、低功耗的邊端推論計算資源。例如，據高通 2024 年技術論壇揭露，其驍龍 8 Gen 3 已能執行 7B 引數 LLM，RWKV 的固定快取特性可進一步降低能效比和記憶體佔用，使端側執行更流暢。但截至目前，尚無主流晶片廠商宣佈為 RWKV 推出專用版 SDK 或運算元庫，生態適配處於早期。

6.2 訓練資料

RWKV 與 Transformer 對資料規模、清洗標準的要求基本一致。高質量的預訓練資料集（如 The Pile、C4、多語言維基、書籍、程式碼）仍是效能的基礎保障。由於 RWKV 未採用軟最大稀疏化的注意力，其對資料長度的敏感度和分佈要求可能有所差異，但無公開證據表明有明顯的資料偏好差異。從資料產業角度，文本清洗、資料標註、合成數據等供應商的機會與需求無顯著方向性變化。

6.3 能源與基礎設施

理論上，線性注意力模型在持續大併發推論時，可通過更低的每 token 能耗實現 電量節省。國際能源署 (IEA) 在 2024 年報告中指出，全球資料中心電力需求 2026 年可能突破 1000 TWh，其中 AI 推論佔比逐步上升。能以更少計算完成推論的模型架構，具有全社會的規模效益。但截至目前，尚未有第三方機構對 RWKV 的全生命週期能效出具系統性評估，上述僅為方向性研判。

7. 下游

RWKV 的推論特性，天然適配三大類場景：

7.1 長文件理解與處理

法律合同審查、財報分析、學術論文綜述等需一次性輸入數萬甚至數十萬 token 的任務。憑藉 O(1) 的 token 增量推論和恆定記憶體，RWKV 可在有限的視訊記憶體上處理任意長度的文本（如 128K+），而不會出現視訊記憶體溢位。2024 年社群測試顯示，RWKV-6 14B 在 32K 上下文下的一鍵摘要任務上，生成質量與同規模 Transformer 可比，但延遲減少約 40%–58%（資料來源：RWKV 社群 Discord 非正式基準測試，非獨立實驗室）。這些特性可能率先在 企業級文本智慧 領域催生應用。

7.2 即時流式互動

客服對話、AI 遊戲角色、直播互動中的即時語音翻譯等場景，要求極低的首 token 延遲和連續生成不降速。由於推論僅需維持固定狀態，RWKV 可自然實現“無限流式生成”，不因對話長度增長而拖慢響應速度。這對於建置 高併發、低延遲 的雲端推論 API 服務極具吸引力，有助於降低邊際運維成本。

7.3 邊緣與端側推論

智慧手機、AR/VR 眼鏡、車載座艙、工業機器人等本地化 AI 助理，對模型體積、記憶體佔用和功耗有嚴苛要求。RWKV 的固定狀態可刪除大容量 KV 快取，使 7B 甚至 14B 級模型有可能在消費級移動裝置上流暢執行。例如，高通已在 2023 年演示端側跑通 7B 級 LLaMA 模型，若遷移至 RWKV，記憶體和能效優勢可能進一步擴大。目前已有 RWKV 行動端推論 Demo（基於 ONNX 或 C++ 實現）在開源社群流通，但尚未見主流手機廠商公佈整合計劃。

除上述三熱點外，成本敏感型應用（如公益機構知識服務、發展中國家低資源語言教育）也可能因推論成本大幅降低而受益。不過需注意，現階段這些場景多基於社群驗證，規模商業落地案例公開資料未見。

8. 受益公司

RWKV 若取得實質性產業突破，可能通過不同層面影響下述型別的參與者。需要宣告：下列分析僅為產業鏈邏輯推演，並非任何形式的個股評價、價值判斷或投資建議。市場和技術路線存在多重不確定性。

8.1 算力與晶片

• 邊緣 AI 晶片廠商（如高通、聯發科、Apple、華為等自制 NPU 部門）：如果端側 RWKV 類模型成為趨勢，其低快取特性將提升硬體客戶對端側推論能力的信心，可能擴大相應晶片設計需求。不過這些廠商的 NPU 架構需針對性最佳化線性遞迴運算元才能發揮最大效益，當前適配程度低。
• 雲端端推論服務商（AWS Inferentia、Google TPU 等）：可憑藉 RWKV 的 O(1) 推論特點，單卡支撐更大併發數，降低單位 token 成本，增強雲端平台競爭力。但目前未見官方對 RWKV 的特定支援。

8.2 大型模型與平台

• 開源非營利組織 EleutherAI：作為 RWKV 的主要社群支持者，其在技術方向上的任何進展都將顯著影響該架構的認可度。但該組織本身不存在商業主體，不構成直接受益公司。
• AI 應用開發商：如法律科技、商業智慧、線上教育工具類企業，可基於 RWKV 建置長文本稽核、智慧問答等服務，降低後端推論支出，提升可盈利性。
• 雲端廠商 AI 平台：微軟 Azure、阿里雲端、火山引擎等均提供模型即服務 (MaaS)。引入高效架構模型可豐富模型目錄，吸引對推論成本敏感的使用者。目前尚無公開資訊顯示任何企業全面押注 RWKV 開啟收費服務。

8.3 第三方工具鏈

• 推論最佳化架構（如 ONNX Runtime、llama.cpp 社群）：RWKV 模型已能在這些架構中執行，效率提升關鍵在運算元適配。若產生專用加速庫需求，可能對相關最佳化團隊的商業合作帶來機遇。

綜合來看，受益鏈條雖清晰但呈高度不確定性。公開資料顯示，截至 2025 年 Q1，沒有任何一家上市公司或大型科技企業將 RWKV 列為戰略產品路線，架構採納仍停留在技術儲備和實驗階段。

9. 市場規模

因為 RWKV 僅為基礎模型架構候選之一，尚無獨立市場規模統計。可從相關行業預測框定潛在體量，所有資料需注意是關聯市場而非架構專用市場：

• 全球大語言模型市場：據 Grand View Research 釋出的《Large Language Model Market Size, Share & Trends Analysis Report, 2024-2030》，2023 年全球 LLM 市場估計值約 159 億美元，預計 2030 年達 1.05 萬億美元，年複合增長率約 33.2%。RWKV 若佔據小部分基座模型份額，理論可及空間巨大。
• 邊緣 AI 推論市場：根據 Fortune Business Insights 2024 年報告，全球邊端 AI 晶片市場 2023 年規模約 160 億美元，2030 年有望增至 1080 億美元。可直接受益於模型“瘦身”趨勢的推論晶片部分，可滲透的比例暫時無法估算。
• 雲端 AI 推論服務：IDC 全球半年度人工智慧追蹤報告顯示，2024 年全球 AI 服務（含推論）支出達 1960 億美元，預計 2027 年突破 3000 億美元。模型架構革新帶來的單位 token 成本降低可能刺激更多需求，但對總體市場規模的提振效應需依據實際商業化檢驗。

以上資料均來自機構公開預測口徑，RWKV 概念本身沒有獨立的營收或市佔統計。當前，該架構貢獻的市場產值可視為零或實驗性成本投入，無法提供確切財務資料。

10. 玩家對比

本節聚焦於 RWKV 與產業內主要替代方案的一致性比較，基於 2024–2025 年間的基準測試和社群討論，不構成優劣推薦：

維度	RWKV (Finch)	LLaMA 3-8B (Transformer 最佳化)	Mamba-2 (SSM)	觀察來源
訓練效率（同等引數）	與 LLaMA 相當或稍快 (論文稱 5%–15% 加速)	成熟且高度最佳化	有可並行掃描加速，與 RWKV 互有伯仲	RWKV-5 論文、社群基準
MMLU (5-shot) 分數	RWKV-6 7B：約 60%–63% (隨版本更新)	LLaMA 3-8B：68.4% (官方)	Mamba-2-7B 公開未完整對齊測試	各專案各自發布、Open LLM Leaderboard
長序列推論延遲 (32K)	基本不隨長度增加，恆定延遲	幾乎線性增長，需依賴視窗化或分層注意力	類似 RWKV，恆定延遲	公開驗證、社群評測
生態工具支援	Hugging Face 中需額外安裝，無官方支援 API；llama.cpp 有限支援	深度整合 PyTorch, TRT-LLM, etc.	發展迅速，有官方倉庫	GitHub, 社群狀態
硬體適配（行動端）	記憶體優勢顯著，但缺乏專用運算元庫，實際部署最佳化尚淺	有眾多量化、剪枝方案，行動端經驗豐富	類似優勢，也缺乏專用庫	各廠商初步 Demo

需要強調：RWKV 在綜合知識評測上的分數暫時 與同等引數量的一線 Transformer 模型（如 LLaMA 3，Qwen 2.5 等）存在差距，特別是在需要複雜推論和多步推論的任務中，公平測試顯示差距約為 3–7 個百分點（依據 2024 年末 Hugging Face Open LLM Leaderboard v2 成績，Meta LLaMA 3-8B 得分約 68.4，RWKV-6 7B 平行測試成績 63 左右，來源為第三方社群提交）。這種效能差距是決定其產業化速度的首要技術挑戰。

11. 風險

11.1 技術成熟度與效能天花板

截至 2025 年，無論 RWKV 還是其他類 RNN 架構，尚沒有確鑿證據表明其在任意規模 Scaling 後能完全平齊（更勿論超越）同等投入的 Transformer。在一些高度依賴精確遠端依賴的任務（如程式碼生成、長鏈推論）上，純線性遞迴模型可能由於缺少全注意力矩陣而遭遇瓶頸。產業界普遍認為 RWKV 仍處在技術驗證視窗期。

11.2 生態系統慣性

Transformer 已帶動整個行業投資數百億美元，從編譯器、算力卡到人才培訓均深度耦合。即便 RWKV 在理論上具有效率優勢，生態遷移的集體改變需要極大的推動力和長期的時間。歷史證明，架構替代需要壓倒性的、10 倍級的顯性收益，目前 RWKV 尚未達到這一閾值。

11.3 開源商業化挑戰

RWKV 主要依賴開源社群，商業模式模糊。與 OpenAI、Anthropic 可投入上億美元迭代更新不同，開源架構迭代資金來源有限，可能被經營閉環生態的對手在效能上長期壓制。一旦架構創新被吸收進閉源體系，開源原生的影響力可能萎縮。

11.4 效能比較中的“場景偏差”

部分關於推論效率的宣傳，忽略了現代 Transformer 在大量工程最佳化（FlashAttention、多查詢注意力、推測解碼等）後，於常見短序列場景下效率差異已不顯著。商業應用可能發現採用 Transformer 並用鉅額算力“硬扛”更便捷，從而降低轉換架構的意願。

12. 誤讀糾偏

以下是產業界和媒體對該架構常見的誤解與糾正：

誤區一：“RWKV 是 RNN，所以訓練慢。” 糾正：RWKV 的訓練過程是精心設計的並行化，與普通 RNN 的序列化有本質區別。它同時支援時間維度批次並行，在現代 GPU 上訓練速度接近 Transformer，甚至對於極長序列訓練更快。

誤區二：“RWKV 推論解答完全不需要記憶體開銷。” 糾正：雖然消除了隨序列增長的 KV 快取，但模型權重（數十 GB）仍需佔用視訊記憶體或記憶體，並非無記憶體。只不過狀態快取恆定，使得長序列時的記憶體開銷遠小於 Transformer。

誤區三：“RWKV 能隨時替代任何 Transformer 應用。” 糾正：不同任務適合不同歸納偏置。RWKV 在需處理超長上下文且推論資源受限時優勢明顯；但部分要求精準全域性互動的任務可能依然需要全注意力。不應將二者視為簡單替換，而是根據場景做權衡。

誤區四：“RWKV 效能已全面超越同規模 Transformer。” 糾正：從公開客觀評測（如 Open LLM Leaderboard）看，RWKV 在知識、推論總評上與領先的 Transformer 仍存一定差距。部分社群測試可能存在過擬合或對齊侷限。產業決策需以可復現、標準化的第三方基準為準繩。

13. 最新事件

• 2024 年 7 月：RWKV 社群釋出第六代架構 RWKV-6 Finch，引入動態資料依賴的時間混合和更靈活的狀態更新機制，支援 32K 到 65K 以上上下文，訓練穩定性提升。釋出渠道為 RWKV 官方 Discord 及 GitHub 模型卡。
• 2024 年 10 月：Hugging Face 上部分 RWKV-6 模型下載量突破百萬，社群貢獻了針對 llama.cpp 的量化版本，初步實現消費級 GPU 及 CPU 上流暢推論。
• 2025 年 1 月：零星雲端服務商（如 Novita.ai、Together AI 等）在其推論平台上提供 RWKV 模型演示，標誌著實驗性商業化試水，但尚未釋出正式的企業級 SLA 服務。
• 2025 年 3 月：一項關於線性注意力與狀態空間模型的學術綜述釋出於 arXiv (2307.08621 系列更新)，系統對比了 RWKV、Mamba、RetNet 等，指出在長文本領域三路線均具前景，但仍需更大規模驗證。

截至目前，尚無大型科技公司（如微軟、Google、NVIDIA）對 RWKV 架構給予官方站臺或戰略投資。 最新動態可關注 GitHub 倉庫和官方部落格。

14. 追蹤指標

研究者和投資者可關注以下指標追蹤 RWKV 的進展：

1. 模型效能基準：Hugging Face Open LLM Leaderboard（MMLU、HellaSwag、ARC 等）上 RWKV 各版本分數的變化，特別關注與同參數量級 LLaMA、Qwen 的差距是否縮小。
2. Hugging Face 模型下載與點贊：反映社群採用度和實證興趣，可在模型頁面即時觀測。
3. **Git