PaperFake 开源 Qwen30.6B 降重模型：老旧电脑也能流畅运行论文改写
在学术研究与写作领域，降低论文重复率（Plagiarism Rate）与 AI 生成检测率（AI Detection Rate）是许多用户面临的痛点。今天，PaperFake 团队宣布将核心降重模型开源，旨在打破技术壁垒，让有价值的工具不再局限于少数人的私有工具箱。
核心突破：极致轻量化与本地化部署
本次开源的模型并非通用的文本生成模型，而是专为中文文本降重场景定制的指令微调（Instruction Fine-tuning）模型。其核心架构基于 Qwen30.6B 底座，通过 LoRA 和 QLoRA 技术进行轻量化微调，最终导出为 GGUF 格式（采用 Q4_K_M 量化规格）。
这一技术路线带来了显著的硬件友好度提升：
- 极低硬件门槛：经过深度量化优化，模型对显存和内存要求极低，老旧电脑的 CPU 即可在 Windows 系统下流畅运行。
- 离线自主运行：用户无需依赖云端 API，可完全本地部署，保障数据隐私。
- 稳定性增强：针对过往用户反馈的启动闪退及缺失 VC 运行库问题，新版模型内置一键自动修复功能。
训练方案：从数据清洗到人工复核的闭环
PaperFake 团队重新规划了整套训练落地流程，确保模型在降低重复率的同时不牺牲学术严谨性：
- 数据构建：收集中文论文摘要、正文片段、行业报告及人工改写对标素材，构建高质量语料库。
- 数据提纯：剔除乱码、广告、固定模板语句及语义偏差过大的无效样本。
- 成对样本构建：搭建“原文 - 改写版”配对，作为有监督微调（SFT）的核心素材。
- 指令封装：按照 System/User/Assistant 规范封装对话数据，适配大模型推理接口。
- 微调与评估：采用 LoRA/QLoRA 进行快速校验，从语义匹配度、重复文本降幅、篇幅波动、关键词留存率等多维度量化评估。
- 人工复核：重点排查事实跑偏、术语缺失及逻辑断层问题，确保改写后的文本符合学术规范。
- 迭代优化：将异常样本回流至下一轮训练，形成持续优化的闭环。
实用价值：开发者与用户的最佳选择
该开源项目不仅提供了模型文件，还配套了完整的部署方案，支持两种主要使用模式：
- 网页工作台模式：用户直接在
index.html前端页面粘贴文本，调用本地接口实时完成改写。 - Word 批量处理模式：通过
rewrite_docx_gpu_parallel.py脚本，按段落解析 DOCX 文档，以并行方式批量生成改写结果。
⚠️ 重要提示：该模型专注于降低重复率，而非直接降低 AI 生成检测率。由于改写过程可能增加文本的“自然度”从而提升 AI 检测率，建议用户搭配专门的 AIGC 降重模型组合使用，以达到最佳效果。
通过保留原文语义、事实逻辑与专业关键词，重构句式结构，PaperFake 开源模型致力于让学术写作更加自由、高效且安全。
本文基于 PaperFake 官方开源公告编译整理。
