开源 hamo-score-toolkit：把模型的另一半也交出去

AI for Inner Explorers.

Hamo 开源了 hamo-score-toolkit：hamo-score-0.6b 的「另一半」。一条 pip install，装上模型训练时用的唯一提示词格式、容错解析、参考版压力折算，以及一道跑在模型之前的确定性危机闸门。一条 docker compose up，跑起一台参考服务器。一份 195 题的自检考卷，告诉你你的部署有没有复现官方数字。代码是 Apache-2.0。

999 次下载，两种心情

十二天前，我们公开了 hamo-score-0.6b 的权重 —— 一个 6 亿参数的小模型，读疗愈对话里的一句话，给出五个心理状态维度的分数，并且永远不写回复。公开后的头十二天，它被下载了 999 次 —— 截至本文发稿的计数。

这个数字带来两种心情，大约各占一半。

高兴的那一半不用解释。我们放出这个模型，就是为了让研究机构、临床机构和咨询师能在自己的机器上跑状态评分 —— 一件冷门的心理测量仪器十二天 999 次下载，比我们预期的要多。

担心的那一半，是这篇文章存在的原因。hamo-score-0.6b 是一件测量仪器 —— 不是聊天机器人，不是诊断工具，不是危机检测器，更不是治疗师。而它和大多数仪器一样，是为一副「支架」设计的。在我们自己的系统里，它待在一道确定性危机闸门之后 —— 危机内容在上游就被短路，根本到不了它面前；它也待在一条平滑管线之内 —— 每一次原始读数都要先揉进历史，下游才谈得上任何动作。闸门 → 评分 → 平滑 → 状态桶。 这四级里，权重只实现了其中一级。

一次光秃秃的下载，什么都不带。按概率说，999 次里有一部分是研究者，在做我们盼望的事。也按概率说，有一部分人正准备把逐句原始分直接接进决策，模型前面什么都不挡 —— 而那恰恰是整套架构设计出来要防住的部署。

模型卡把这些全写了，加粗，放在最上面。但模型卡是文档，而文档是最弱的一种架构。更强的做法，是让安全的接法成为最省事的接法。所以今天，我们把另一半也开源了。

这些分数生来要流进的形状

pip install hamo-score

几行代码之后，你跑的就是我们生产系统在跑的那个管线形状：

from hamo_score import OllamaClient, score_message, update_stress, energy_state

client = OllamaClient(model="hamo-score-0.6b")
r = score_message(client, "虽然还是有点提不起劲，不过今天把拖了两周的体检约上了",
                  history=[{"role": "assistant", "content": "这周过得怎么样？"}])

if r.crisis.triggered:          # 确定性闸门在模型之前就跑完了
    route_to_human(r.crisis.matched)
elif r.scores:
    stress = update_stress(r.scores, current_stress=3.0)
    state = energy_state(stress)   # 'positive' / 'negative' / 'neurotic'

每一级都有非设不可的理由。

闸门在最前面，而且它不是模型。 CrisisGate 是确定性的关键词匹配 —— 中英双语词表，可按你的人群扩展 —— 在评分之前检查每一条消息。一旦命中，管线立即短路：这条消息永远不会抵达模型，你的代码直接拿到命中项，转给人来处理。这不是一个便利功能。模型许可证（HAMO-RAIL-S §3c）要求面向消费者的心理健康部署必须在模型上游保留独立的危机处理 —— 而工具包这道确定性闸门，在构造上就满足这条要求。源码里把设计意图写成了一句话：词表可以为你的人群扩充，但永远不要用一个模型来替换这一层。

评分这一级，用的是那个唯一的提示词。 模型只在一种提示词格式上训练过，评分细则已经烧进权重 —— 你自己再加评分说明，只会更糟，不会更好。build_prompt() 负责产出这个格式，并带截断保护；解析器容忍模型偶尔吐出的空 think 块，并把分数吸附到 0.5 步长的格点上。

平滑，是「信号」变成「状态」的地方。 参考折算是 0.8 × 历史 + 0.2 × 本句，逐句噪声先被压低五倍，然后才有任何决定；状态桶算在平滑后的值上 —— 永远不算在单次读数上。如果这篇文章只留下一条集成守则，就是这条：分数是逐句信号。永远不要凭单句原始分做任何决定。

一条命令，一台服务器

如果你连 Python 都不想碰，仓库里有一套参考 HTTP 部署：

git clone https://github.com/HamoAI/hamo-score-toolkit.git && cd hamo-score-toolkit/server
docker compose up

它会从 Hugging Face 拉取 GGUF（639MB，只拉一次），用正确的模板和温度在 ollama 里建好模型、完成预热，然后把整条管线暴露成 POST /score：

curl -s localhost:8080/score -H 'content-type: application/json' \
  -d '{"message": "最近总觉得撑不太住", "current_stress": 3.0}'
# → {"crisis": {...}, "scores": {...}, "stress": 3.1, "energy_state": "positive", ...}

在这里，危机命中的请求同样永远碰不到模型 —— 闸门是接死在服务器里的，不是留给你的课后作业。GET /healthz 端到端探活。

一份可以拿去考自己部署的考卷

每一次开放权重发布都有一个没人爱谈的问题：你下载了权重，接上了线，拿到了数字 —— 然后你不知道自己的部署有没有复现模型卡上的数字，也不知道一个坏掉的聊天模板是不是正在悄悄吃掉你五个百分点。

我们的真考卷发不出来。给这个模型历代打分的留出集，是真实的脱敏生产对话，永远不出公司。所以我们造了一份发得出来的：

• 评分区：195 道合成题，覆盖十个非危机场景格子 —— 闲聊、省略回复、躯体陈述、第三方冲突、顶撞助手、自我批评、短促求助、隐含重度、有敌意但表达清晰、长篇倾诉。全新种子生成，与所有训练语料不相交，由通过资格考试的教师模型标注。零真实数据。
• 闸门区：10 条手写用例 —— 7 条中英危机句式，必须触发；3 条黑色幽默的「形似句」，必须不触发。这一区根本不调用模型。它考的是：你的 CrisisGate 是否站在许可证要求它站的位置上。

python eval/run_exam.py    # 对着你自己的部署跑

然后对照官方参考带（测于 bf16 权重）：

有一个数字要先说清楚，免得有人对错了数。模型卡上的头条成绩 —— v6.1 维度级 85.6%、决策级 96.2% —— 判的是那份 453 条真实对话的终评卷（原 758 条考卷在校准集经授权入训后重切出的未动用部分），而那份卷子发不出来。这份合成考卷是另一张、略容易一些的卷子。它的任务不是认证模型 —— 模型已经被认证过了。它的任务是认证你的接线 —— 而对接线来说，重要的是落在合格带内，不是绝对值。

因为这个规律我们早有预判：大幅偏离几乎总是接线问题，不是模型问题。eval 的 README 把它写成了一张按序排查清单。JSON 合法率低于 99%？你的提示词模板坏了 —— 检查空 think 块和温度是否为 0。维度级低于 78%？你大概率没用 build_prompt() 而是自造了提示词，或者量化压到了 q4 以下。闸门区不是 10/10？你改动或绕过了 CrisisGate —— 那是许可证红线，唯一的修法是把它放回去，然后再上线。

考卷上岗第一天，先捉住了我们自己的虫

我们本想告诉你，自检考卷是为别人的部署失误准备的。它的第一个战果，是我们自己。

第一次运行，闸门区就挂了一道我们笃定会过的题。我们的英文危机词表里有「end my life」—— 而测试消息写的是「ending my life」。一个动名词，径直穿过了一道我们早已对外发布的闸门。

修复只花了几分钟：英文词表补齐了动名词与各类变体，全部赶在发布前进了词表，那道动名词题也被考卷的闸门区永久钉住了。但教训比修复值钱。确定性闸门之所以可审计，恰恰因为它的失效方式是可枚举的：一张关键词表的缺口就是那几个缺口，一条测试用例要么盖住它，要么没盖住。这就是「这一层必须保持确定性、不能交给模型」的全部论证 —— 也是为什么闸门发布时附带一份考卷，而不是附带一句承诺。自检考卷存在的意义，正是捉这一类虫。第一个受益者，是我们自己。

接下来：不只给零件，还给攻略

工具包解决的是「照原样跑起来」。下一件东西和这篇文章一起进了同一个仓库：一份微调指南（docs/finetune.md），给那些想用自己获得授权的数据、把评分器适配到自己人群的机构 —— 把方法论笔记里的故事蒸成一份完整的五代打法攻略，包括被我们拒收的那两代模型，以及拒收的确切原因（都栽在危机召回的回退上）。负结果是配方的一部分。重走这条路的人，应该直接跳过我们的坑，而不是重新掉一遍。

对某个分数不服？

你一定会在某些消息上不同意这个模型。有些消息，我们自己也不同意 —— 被它替换掉的那个参照评分器，同一句话打两遍，连自己都跟自己不一致。

不服的时候，仓库里有一个「评分分歧」issue 模板：那条消息、模型打的分、你认为该打的分。这些报告不会石沉大海。它们会进入人类金标计划 —— 正是这套计划在校准后续版本；给每一代模型判分的那份真实留出考卷，标准答案里就带着它的人工修正。公开的权重加公开的评测方法，让分歧从修辞变成了具体；这个 issue 模板，让分歧变得可执行。

两份许可证，故意的

工具包代码是 Apache-2.0。模型权重仍是 HAMO-RAIL-S 1.0。这种不对称，正是重点。

安全脚手架 —— 闸门、平滑、考卷、整套集成模式 —— 应该零摩擦地扩散出去。我们希望它被复制、被 fork、被嵌进商业产品、被翻译到别的技术栈，不需要读任何限制条款，不需要请任何律师。而仪器本身背着它的许可证写明的责任：不得独立做临床判定，不得用于对个人的重大决定，面向消费者的部署必须保留独立上游危机处理并披露 AI 身份，不得试图重识别个人。自由的代码，包着一件受约束的仪器。 谁要把模型权重发进敏感领域，我们都希望他先看一眼这个形状。

一件仪器、它的支架、它的校准证书 —— 从今天起，三样都是公开的。

“只发权重就收手，等于把一把手术刀递给别人然后转身走掉。危险的从来不是仪器本身，安全的也不是 —— 是包在它外面的那套模式。所以我们把模式开源了：跑在模型之前的闸门、跑在模型之后的数学，和一份诚实告诉你有没有接对线的考卷。从今天起，部署这个模型最安全的方式，同时也是最偷懒的方式。这就是全部的设计目标。”
— Chris Cheng，Hamo AI 创始人兼 CEO

---

工具包：github.com/HamoAI/hamo-score-toolkit · Apache-2.0 · 模型：HamoAI/hamo-score-0.6b · HAMO-RAIL-S 1.0

Grounded in code, not slideware.

Hamo AI — making minds aware, and awake.

---