RNN 与 Transformer 融合
结合了 RNN 和 Transformer 的所有优点，既可高效并行推理训练，亦可高效串行推理训练，并引入 ROSA 机制与 DeepEmbed 机制。
价格官网未标价
平台Web
归类大模型与开发平台
收录2026-10-12
复核2026-10-12
编辑评分
4.2 / 5
★★★★☆
RWKV编辑总结
RWKV 是一套新一代大模型架构，由 BlinkDL 主导的社区开源项目维护，定位为「超越 Transformer」的替代方案。它同时兼顾高效并行与高效串行训练推理，具备恒定生成速度、恒定显存、无需 KV Cache 和无限上下文等特性，并已推出 RWKV-7 G1 系列模型，参数覆盖 2.9B 到 13.3B。在 Uncheatable Eval 评测中，13.3B 版本平均分为 5.992，优于同规模 Qwen3-14B（6.124）等模型。短板是官网未公开托管服务价格与商业化方案，用户需自行部署或从 HuggingFace、魔搭下载模型。
RWKV是什么？
RWKV 是一套开源的大模型架构，由 BlinkDL 主导开发，官网为 rwkv.cn。它的核心目标是结合 RNN 与 Transformer 的优点：既支持高效并行训练与推理，也支持高效串行训练与推理，官方将其定位为「新一代大模型架构，超越 Transformer」，并引入了 ROSA 机制与 DeepEmbed 机制。
当前主力形态是 RWKV-7 G1 系列模型，已发布 RWKV 7 G1 i 13.3B、RWKV 7 G1 i 7.2B、RWKV-7 G1 i 2.9B 等规格，模型可通过 HuggingFace 与魔搭（ModelScope）下载。架构层面强调超高并发（Massive Parallelization）、恒定速度（Constant generation speed）、恒定显存（Constant VRAM）、无需 KV Cache（Without KV Cache）、高效 State-tuning 和无限上下文（Infinite ctxlen）。
对普通用户，官网提供在线 Demo，可直接体验最新 RWKV 模型；对开发者，核心代码托管在 GitHub 的 RWKV-LM 仓库，并提供 RWKV pip 包、Albatross 推理引擎、Ai00 推理引擎、RWKV-PEFT 微调工具和基于 Flutter+C++ 的 RWKV APP；对研究者，官网整理了 RWKV 架构与多模态方向的相关论文生态，并有 RWKV 生态大赛 2025 等社区活动。
RWKV核心功能
恒定显存与速度
具备恒定生成速度（Constant generation speed）与恒定显存（Constant VRAM），无需 KV Cache，长文本场景下资源占用不随上下文增长。
无限上下文
支持无限上下文（Infinite ctxlen），并支持高效 State-tuning，适合需要处理超长文本或持续对话的场景。
Uncheatable Eval 评测
Uncheatable Eval 用最新论文、新闻、代码、百科、小说评估真实语言建模与泛化能力。rwkv7-g1g-13.3b-20260523 平均分为 5.992，数值越低越好。
推理与微调工具链
提供 Albatross 高效推理引擎、基于 WebGPU（vulkan）的 Ai00 推理引擎（支持 nf4/int8 量化）、RWKV pip 包，以及含 LoRA、State-tuning、MiSS 的 RWKV-PEFT 微调工具。
在线 Demo 与移动端
提供在线 Demo 可直接体验最新 RWKV 模型；RWKV APP 基于 RWKV 架构与 Flutter + C++ 高性能推理引擎融合，方便移动端使用。
RWKV值不值得用？
当你要研究或部署非 Transformer 架构的大模型时，RWKV 值得优先看：它有完整训练代码、推理引擎与微调工具链，13.3B 版本在 Uncheatable Eval 上平均分 5.992，且恒定显存、无需 KV Cache，适合长文本与高并发场景。若你需要开箱即用的商业 API、现成 SaaS 服务或明确的价格方案，此时要先评估自部署成本。
建议选它的情况
- 需要长上下文且显存受限的推理场景
- 想研究 RNN 与 Transformer 融合架构的研究者
- 已有 GPU 环境、愿意自行部署与微调的团队
不建议选它的情况
- 需要开箱即用商业 API、不想自部署的用户
- 官方未公开托管价格与 SLA，预算敏感的项目需先自行核算
RWKV使用建议
入门先把路子走对
- 先跑在线 Demo首页有在线 Demo 区块，可先体验最新 RWKV 模型效果，再决定是否本地部署。
- 从 RWKV 7 G1 系列选型模型下载区块列出 RWKV 7 G1 i 13.3B、7.2B、2.9B，按显存和任务复杂度选规格，HuggingFace 与魔搭都有镜像。
- 读文档再动手resources 页把文档分为架构历史、提示词指南、性能数据、社区项目，入门教程按「在线体验 / 本地部署 / 模型微调」分三档。
进阶省时间也省钱
- 用 Ai00 跑量化推理Ai00 基于 WebGPU（vulkan），支持大多数 GPU 和集显，支持 nf4/int8 量化推理，显存有限的机器优先用它。
- 微调选 RWKV-PEFTRWKV-PEFT 含 LoRA、State-tuning、MiSS 等多种微调方法，不必从头训练即可适配垂直任务。
- 关注 Albatross 推理Albatross 是高效 RWKV 推理引擎，支持超高并发，服务端高吞吐场景可用它替代通用推理框架。
RWKV适合谁用？
大模型研究者
推荐关注非 Transformer 架构演进，官网提供 ROSA、DeepEmbed 机制说明与架构历史文档，可按图索骥读论文。
自部署工程师
推荐已有 GPU 环境，需要恒定显存、无需 KV Cache 的推理方案，可直接从 HuggingFace 或魔搭取 RWKV 7 G1 系列权重。
移动端/端侧开发者
推荐RWKV APP 基于 Flutter + C++ 推理引擎，Ai00 支持 nf4/int8 量化，适合在集显或低显存设备上跑模型。
需要商业 API 的产品团队
有条件若产品要求开箱即用、带 SLA 的接口，需要先评估自建推理集群的成本。
中文内容创作者
不推荐模型权重与工具链是核心交付物，官网没有面向创作者的编辑器或模板产品，直接用来写稿不够顺手。
RWKV优点和缺点
优点
- 13.3B 版本在 Uncheatable Eval 平均分 5.992，优于 Qwen3-14B 的 6.124（数值越低越好）
- 无需 KV Cache、恒定显存，长上下文推理资源占用不随长度增长
- 支持无限上下文与高效 State-tuning，长文本与持续对话场景有优势
- 同时支持高效并行与串行训练推理，训练端选择更灵活
- 工具链完整：Albatross、Ai00、RWKV-PEFT、pip 包、RWKV APP 齐备
- 模型可从 HuggingFace 与魔搭下载，并提供 GGUF 格式
缺点
- 生态规模仍小于 Transformer 阵营，第三方框架适配依赖社区维护
RWKV关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| rwkv7-g1g-13.3b-20260523 平均分 | 5.992 | Uncheatable Eval |
| Qwen3-14B-Base 平均分 | 6.124 | Uncheatable Eval |
| Ministral-3-14B-Base-2512 平均分 | 6.047 | Uncheatable Eval |
RWKV常见问题
RWKV 现在有哪些模型可以下载？＋
官网模型区块列出 RWKV 7 G1 i 13.3B、RWKV 7 G1 i 7.2B、RWKV-7 G1 i 2.9B，以及 RWKV-7 G1 系列，可在 HuggingFace 和魔搭（ModelScope）下载，另提供 GGUF 格式，方便本地量化推理。
RWKV 和 Transformer 比有什么不一样？＋
RWKV 结合了 RNN 和 Transformer 的所有优点，既可高效并行推理训练，亦可高效串行推理训练。架构上引入 ROSA 机制与 DeepEmbed 机制，做到无需 KV Cache、恒定显存和无限上下文。
RWKV 13.3B 的评测成绩怎么样？＋
在 Uncheatable Eval 上，rwkv7-g1g-13.3b-20260523 平均分为 5.992，同表中 Qwen3-14B-Base 为 6.124、Ministral-3-14B-Base-2512 为 6.047，数值越低越好，RWKV 13.3B 平均分领先于这两个同规模模型。
RWKV 能微调吗？用什么工具？＋
官方生态提供 RWKV-PEFT 微调工具，含 LoRA、State-tuning、MiSS 等多种微调方法；架构本身支持高效 State-tuning，适合在有限算力下把模型适配到垂直任务。
RWKV 怎么快速上手体验？＋
官网首页提供在线 Demo，可直接体验最新 RWKV 模型；resources 页的教程按「入门 在线体验」「中级 本地部署」「高级 模型微调」分三档，可以先从在线体验开始再往下走。
