README.md

---
library_name: transformers
license: apache-2.0
license_link: https://huggingface.co/Qwen/Qwen3-1.7B/blob/main/LICENSE
pipeline_tag: text-generation
base_model:
- Qwen/Qwen3-1.7B-Base
---

# 小熠（Yee）AI 数据安全专家

![Logo](logo.png)

> 由 [广州熠数信息技术有限公司](https://shining-data.com) 开发，基于大语言模型技术构建的数据安全智能助手。


小熠（Yee）是一款专注于 **数据安全领域** 的 AI 专家系统，依托于先进的 **Qwen3-1.7B** 大语言模型架构，并融合了数据分类分级、安全审计、防护检测等专业能力。它为工业、政务、运营商等行业提供轻量化、智能化的数据安全解决方案，帮助用户实现“合规、可视、可控、可防”的数据安全目标。

小熠以 **AI 数据安全专家大模型** 为核心技术基座，构建了全栈式数据安全审计与全链路防泄露体系，在“云”、“管”、“端”三大场景中落地应用，助力企业从容应对数字经济时代的安全挑战。

---

## 🔍 核心特点

- **基于 Qwen3-1.7B 构建**
  - 使用阿里巴巴通义千问最新一代大语言模型 Qwen3，具备强大的推理、逻辑判断与指令执行能力。
  - 支持在 **Thinking Mode** 和 **Non-Thinking Mode** 之间灵活切换，适应不同应用场景。

- **双模推理机制**
  - 在复杂逻辑任务（如代码分析、数学计算、策略制定）中启用 Thinking Mode。
  - 在日常对话、快速响应场景中使用 Non-Thinking Mode，提升效率。

- **Agent 化能力**
  - 集成 Qwen-Agent 框架，支持调用外部工具（如数据库接口、日志分析器、API 接口等），实现自动化任务执行。

- **高兼容性**
  - 支持主流部署方式：本地运行、Docker 容器、Kubernetes 集群、SaaS API 接口等。
  - 兼容 HuggingFace Transformers、vLLM、SGLang、Ollama 等推理框架。

---

## 📊 性能测试

以下是小熠在 [CS-Eval](https://cs-eval.com/#/app/leaderBoard) 中多个安全领域的综合得分测试结果，基于模拟真实业务场景的评估体系生成：

| 综合得分 | 系统安全及软件安全基础 | 访问控制与身份管理 | 加密技术与密钥管理 | 基础设施安全 | AI与网络安全 | 漏洞管理与渗透测试 | 威胁检测与预防 | 数据安全和隐私保护 | 供应链安全 | 安全架构设计 | 业务连续性与应急响应恢复 | 中文任务 | 英文任务 |
|----------|------------------------|--------------------|--------------------|--------------|--------------|--------------------|----------------|--------------------|------------|--------------|--------------------------|----------|----------|
| 77.48    | 78.00                  | 79.31              | 71.90              | 78.37        | 84.65        | 75.24              | 78.41          | 73.02              | 86.71      | 80.49        | 71.33                    | 77.58    | 76.03    |

---

## 📦 快速开始

```python
from transformers import AutoTokenizer, AutoModelForCausalLM

# 加载 tokenizer 和模型
tokenizer = AutoTokenizer.from_pretrained("sds-ai/Yee-R1-mini")
model = AutoModelForCausalLM.from_pretrained(
    "sds-ai/Yee-R1-mini",
    torch_dtype="auto",
    device_map="auto"
)

# 输入提示
prompt = "请帮我检查这份数据是否包含敏感字段？"

# 应用聊天模板并切换模式
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # 切换至思考模式
)

# 编码输入
inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 生成响应
response_ids = model.generate(**inputs, max_new_tokens=32768)
response = tokenizer.decode(response_ids[0][len(inputs.input_ids[0]):], skip_special_tokens=True)

print("小熠：\n", response)
```

---

## 🛠️ 部署方式

你可以通过以下任意一种方式部署小熠：

### 使用 SGLang 启动服务
```bash
python -m sglang.launch_server --model-path sds-ai/Yee-R1-mini --reasoning-parser qwen3
```

### 使用 vLLM 启动服务
```bash
vllm serve sds-ai/Yee-R1-mini --enable-reasoning --reasoning-parser deepseek_r1
```

### 使用 Ollama / LMStudio / llama.cpp / KTransformers
Qwen3 已被主流本地化 LLM 工具广泛支持，详情请参考官方文档。

---

## 📚 最佳实践建议

为获得最佳性能，请遵循以下推荐设置：

| 场景 | 温度 | TopP | TopK | MinP | Presence Penalty |
|------|------|------|------|------|------------------|
| 思考模式 (`enable_thinking=True`) | 0.6 | 0.95 | 20 | 0 | 1.5 (减少重复输出) |
| 非思考模式 (`enable_thinking=False`) | 0.7 | 0.8 | 20 | 0 | 不推荐使用 |

- 输出长度建议设为 **32,768 tokens**，复杂任务可提升至 **38,912 tokens**。
- 在多轮对话中，历史记录应仅保留最终输出部分，避免引入思维内容影响上下文理解。


---

## 📞 联系我们

了解更多关于小熠的信息，请访问 [熠数信息官网](https://shining-data.com)

---

## 🌟 致谢

感谢阿里通义实验室开源 Qwen3 模型，为小熠提供了坚实的语言理解和生成能力基础。