RWKV-7 G1f 系列推理模型发布：纯RNN架构也能写3D游戏

RWKV社区近日发布了RWKV-7 G1f系列推理模型，目前已开源13.3B、7.2B、2.9B、1.5B四个参数版本。作为全球最大的纯RNN架构开源大模型项目，RWKV在uncheatable eval评测中的成绩持续提升，展现出与Transformer架构截然不同的发展路径。

RWKV-7 G1f 有什么新变化

RWKV（Receptance Weighted Key Value）是一种线性注意力架构，用RNN的方式实现类似Transformer的能力，核心优势在于推理时的内存占用恒定，不随上下文长度增长。这次发布的G1f系列是RWKV-7架构的最新迭代。

主要更新包括：

• 推理能力增强：G1f在代码生成和数学推理方面有明显提升，社区演示中甚至实现了用纯RNN模型生成可运行的3D游戏代码。
• 多参数版本：从1.5B到13.3B共四个版本，覆盖从移动端到服务器端的不同部署需求。
• uncheatable eval持续进步：RWKV团队坚持使用不可作弊的评测方式，模型成绩随时间稳步上升。
• 5月将推出G1g系列：团队表示会保持每月更新的迭代节奏。

为什么RNN架构值得关注

当前大模型领域几乎被Transformer架构垄断，但Transformer有一个先天缺陷：推理时的KV Cache随上下文长度线性增长，处理长文本时显存占用和计算成本急剧上升。

RWKV的线性注意力方案绕开了这个问题：

• 推理时内存占用恒定，不会因为上下文变长而爆显存
• 可以用RNN模式逐token推理，也可以用并行模式训练
• 理论上更适合边缘设备和超长文本场景

学术研究也在跟进

RWKV架构不仅在大模型领域发力，2026年4月期间还有11篇相关学术论文发表，涵盖多个方向：

• 时序预测：TV-FEM-RWKV-TS模型用于燃料电池老化预测，发表于JCR Q1期刊IJHE
• 多模态情感识别：MMCGR框架将RWKV作为序列编码器，发表于Neurocomputing
• 遥感图像分割：HA-ViTNet在高分辨率遥感图像上平衡局部细节与全局语义，发表于ICASSP 2026
• 序列推荐：RWKV4Rec在个性化推荐任务上NDCG@10提升显著，发表于ACM TKDD

如何体验RWKV-7 G1f

想试试RWKV-7 G1f模型，有几个入口：

• Hugging Face：模型权重已上传至Hugging Face，可以直接下载使用
• 官方文档：RWKV项目在GitHub上有完善的部署文档，支持多种推理框架
• 社区工具：RWKV_document-term-translator等社区项目已适配G1f模型

适合什么场景

• 需要处理超长文本但显存有限的场景
• 边缘设备部署，对推理内存有严格要求
• 对Transformer架构的替代方案感兴趣的研究者
• 想要尝试非主流架构的开发者

简评

RWKV坚持走纯RNN路线，在Transformer主导的大模型领域算是一股清流。G1f系列的发布证明线性注意力架构仍然有竞争力。对于站长和开发者来说，RWKV的最大价值在于推理成本优势——如果未来能在长文本处理和边缘部署上证明自己，可能会成为Transformer的重要补充方案。

来源：

• OSCHINA – RWKV社区四月动态：RWKV-7 G1f模型发布
• GitHub – RWKV/RWKV-LM