BlinkDL 推出 RWKV7‑G1：纯RNN原生支持复杂推理与工具调用，本地部署效率大幅提升

开源纯循环神经网络（RNN）大模型 RWKV‑7 迎来 G1（GooseOne） 新版本系列，原生内置深度思考推理与函数调用能力，证明非‑Transformer 架构完全有能力胜任复杂 Agent 智能体任务，打破了行业长期以来的固有认知。

• GitHub：https://github.com/BlinkDL/RWKV-LM
• 模型：https://huggingface.co/BlinkDL/rwkv7-g1

架构核心优势

RWKV 属于无注意力机制的纯 RNN 路线，不存在 KV‑Cache。最突出的特性就是生成全程拥有恒定速度、恒定显存占用；上下文越长，相比 Transformer 模型的显存与延迟优势就越明显。
在单张 RTX 5090 显卡环境下，RWKV7‑G1 的预填充吞吐量最高可达每秒 11289 Token，长文本处理性能亮眼。

模型新增核心能力

1. 原生深度思考推理
   内置思考模式，可通过 “ 标签开启链式思考；模型能够分步拆解数学、逻辑难题，大幅提升复杂问题解答质量，也可通过指令关闭思考模式，直接输出答案。
2. 原生函数/工具调用
   G1 基底版本原生支持工具调用，可直接构建 Agent 工作流，完成联网检索、外部接口调用等任务，不再需要额外二次微调。
3. 多语种与代码能力
   预训练数据集包含网页、代码、数学推理、指令对话数据，支持上百种语言，代码生成表现优秀。

本地部署生态友好

项目已经放出 GGUF 量化权重包，完整兼容 llama.cpp、Ollama 生态。开发者仅需一条命令即可在消费级显卡、CPU、移动端设备上面低成本离线部署，无需依赖云端 API。

ollama run mollysama/rwkv‑7‑g1:2.9b

现已提供 2.9B、7.2B、13.3B 等多个参数规格可供选择，适配从边缘设备到高性能单卡的各类硬件环境。

赛道意义

长久以来，Agent、复杂推理任务普遍被认为是 Transformer 架构的优势领域。RWKV7‑G1 的落地代表纯 RNN 路线补齐了智能体短板，为本地优先、离线常驻助手、超长文档处理场景，提供了一条显存占用不会随上下文膨胀的全新技术方案。