新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI_NovelGenerator 提速:10章长篇小说生成从4小时压到2小时

发布时间:2026/11/13 7:31:23来源:尧图网络
AI_NovelGenerator 提速:10章长篇小说生成从4小时压到2小时
AI_NovelGenerator 提速10章长篇小说生成从4小时压到2小时【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator你设定 10 章、每章 3000 字点完生成去泡了杯茶。回来发现还卡在第 3 章——AI_NovelGenerator 这个长篇小说生成器默认配置下一章要串起 6 次大模型调用。你以为在等模型在想其实一半时间花在排队上。为什么默认配置慢一章要排队六次模型调用一章 AI_NovelGenerator 不是一问到底。看 novel_generator/chapter.py 的流水线先总结前三章让模型生成检索关键词再对每组关键词做向量化Embedding文本向量化并从 Chroma开源向量数据库里捞片段让模型过滤知识最后才动笔写正文。定稿时还要为全局摘要和角色状态各调一次。合计 6 次串行大模型调用外加多次向量化调用。这像一道菜要经过六个灶台依次传菜每个灶台只坐一个厨师。出菜时间不取决于最快的那个灶而是六个灶的耗时之和。默认配置下最长的正文灶台坐的是 Pro 强模型每做一次向量化还要跑一趟云端。short_summary summarize_recent_chapters(...) # ① 总结前三章 search_response invoke_with_cleaning(adapter, search_prompt) # ② 生成检索关键词 for group in keyword_groups: # ③ 每组关键词一次向量化检索 context get_relevant_context_from_vector_store(...) filtered_context get_filtered_knowledge_context(...) # ④ 知识过滤 chapter_content invoke_with_cleaning(adapter, prompt_text) # ⑤ 正文最长时间花在哪拆开看很清楚。正文调用最重3000 字的输出模型是一个字一个字吐的强模型也要好几分钟。辅助任务输出只有几十个字但云端接口每次都有网络往返四次加起来又是几十秒。向量化调用单次很轻却散落在每个灶台最烦的是每组检索都会重新加载一次向量库。从克隆到跑通一条流水线把速度提上来 拉代码、装依赖。git clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt依赖清单锁在 requirements.txt 里chromadb、langchain 一次装齐比逐个补包稳。生成一份能用的 config.json填上 API key。cp config.example.json config.jsonconfig.example.json 已经给好完整结构api_key 和 base_url 填完即可运行。把最重的调用搬去本地 Ollama本地大模型运行时拉一个对话模型给正文再拉一个向量化模型。ollama serve ollama pull qwen2.5:14b ollama pull nomic-embed-text在 config.json 里把正文任务的 interface_format 填 ollama、base_url 指向 http://localhost:11434最长的正文调用就不再等云端往返。不走全本地的话把云端组合保持分层辅助任务用快模型只有正文用强模型。choose_configs: { architecture_llm: DeepSeek V4 Flash, chapter_outline_llm: DeepSeek V4 Flash, prompt_draft_llm: DeepSeek V4 Flash, final_chapter_llm: DeepSeek V4 Pro, consistency_review_llm: DeepSeek V4 Flash }config_manager.py 允许五个任务各自独立指定模型辅助任务输出短Flash 档几秒就回。收窄检索宽度把 embedding 配置里的 retrieval_k 从 4 改成 2。retrieval_k: 2关键词组最多 5 组每组一次向量化加一次向量库加载组数减半、备料时间直接减半。启动 GUI 开始生成。python main.py填好主题和章节【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉