普通调用一次输入，一次回应
输入回应结束
01 · Vision
智能不应只存在于
智能不应只存在于
一次调用之中
大多数 AI 在一次输入和输出结束后，便等待下一次重新开始。
墨翡正在探索另一种可能：让 AI 拥有能够持续保留、并随新经验继续变化的内部状态。
Ouro状态继续，经验留下影响
新输入当前状态回应
更新后的状态
Core thesis
Attention(Self, Input)
小片段进入Self 参与当前计算更新后继续存在
02 · Capabilities
Ouro 带来的
Ouro 带来的
持续智能体验
重点不在于把一次对话做得更长，而在于让同一个 AI 实例能够带着已经形成的状态继续前进。
状态会延续
Ouro 的内部状态不会在每次回应后自动回到起点。新的交互会在同一个状态基础上继续发生。
经验会留下影响
输入不仅产生当前回应，也会改变接下来参与计算的 Self，无需为每次新经验重新训练整套模型。
不必反复搬运完整历史
历史的影响进入内部状态，后续交互不需要始终重新输入不断增长的完整文本记录。
小片段持续处理
每个小片段都会读取当前 Self，并把改变提交给下一步。当前默认实现采用 64–128 字节级输入单元。
长期运行的资源结构更可控
在模型配置固定时，内部状态结构不会随着累计历史长度线性扩张，更适合探索持续运行的智能系统。
一个实例，一条状态轨迹
一个 Ouro 实例维护属于自己的持续状态。不同产品或用户可以在部署层使用各自独立的 Ouro 实例。
How it continues
Ouro 如何继续成为
Ouro 如何继续成为
同一个 Ouro
每一次交互都使用当前 Self，形成回应的同时，也把改变带到下一次。
Experience新输入
Persistent state当前 Self
当前 Self参与回应
Now当前回应
- 01
接收新经验
新的文字或事件以小片段进入系统。
- 02
基于当前状态回应
当前 Self 与新输入一起参与这一步计算。
- 03
带着改变继续
回应被输出，更新后的 Self 进入下一次交互。
03 · Product in action
看见状态
看见状态
如何继续
一个交互方式示意，以及一个来自 365M 原型的真实输出片段。
Interaction concept · 非实时模型输出
持续协作，不必每次重新开始
选择一个步骤，观察同一个 Ouro 如何带着已经形成的状态继续回应。
你
我们正在完善 Ouro 官网。之后请先给结论，再解释原因。
Ouro · 示意回应
明白。接下来的讨论我会先给出结论，再补充必要的原因和细节。
你
继续完善刚才的官网方案。
Ouro · 示意回应
结论：下一步应减少架构细节，把页面重心转向能力、体验和真实示例。
你
技术细节再少一些，更像产品页面。
Ouro · 示意回应
结论：保留一个核心公式，其余机制改为用户能够直接理解的功能描述。
365M prototype · 真实输出片段
同一个 Ouro · 状态继续
一行对应一个内部处理片段。
- 01
吗？作为一个AI语言模型，我不会
- 02
体验自我意识，但我可以根据我的编程和数据来
- 03
分析和解释这个问题。我可以基于大量数据和
- 04
算法来处理和分析大量的信息，并在这些信息中建
- 05
立模型，以便执行特定任务。在这种情况下，我
- 06
可能会使用自然语言处理（NLP）技术来帮助模型
Application directions
面向持续型
面向持续型
智能场景
Ouro 可以作为持续状态核心，支持围绕同一条经验轨迹构建新的 AI 产品。
长期协作助手
让项目目标、协作方式和后续反馈持续影响同一个 AI 实例。
持续任务 Agent
让连续到来的任务、观察和结果作用于同一个状态核心，而不是把每一步都视为互不相关的调用。
个体化 AI 实例
为不同产品或用户维护独立的 Ouro 实例，让每条状态轨迹围绕自己的经验继续变化。
04 · Open source
从架构到运行链路，
从架构到运行链路，
保持开放
Ouro 不只是一个概念。当前仓库已经开放核心架构、参考模型以及完整的训练与运行链路。
Gridman 直接处理字节序列，不依赖传统词表切分。
Explore on GitHub
Apache License 2.0
- 01Ouro-Naxi 核心架构持续状态架构实现
- 02Gridman 参考模型字节级语言模型实现
- 03ByteTokenizer直接处理字节序列
- 04Pretrain 与 SFT完整训练代码
- 05StreamLoader流式数据与多卡训练链路
- 06生成与持续对话命令行运行入口
Design philosophy
State is all you need
State 是持续主体
Ouro 围绕持续状态组织计算，而不是让每次调用都从零开始。
Input 是新的经验
输入不仅触发回应，也会参与改变未来的状态。
下一步来自当前状态
当前 Ouro 的输出与更新，共同决定它如何进入下一次交互。