---
license: apache-2.0
base_model: Qwen/Qwen3.5-0.8B
language:
  - zh
tags:
  - gguf
  - lora
  - directional-stimulus-prompting
  - emotional-intelligence
  - keyword-extraction
library_name: gguf
---

# eqreader — 场景读析器（Qwen3.5-0.8B）

读中文对话，抽出**承载情绪信号的关键短语**（原文逐字子串；无信号时输出 `-`）。
把这几个词作为前置提示注入任意大模型，就能让它先听懂"话里有话"再回复。
core40 盲评实测：带读析的回复以 **21:13** 胜过裸回复（4+1 盲判官，A/B 随机化）。

模型只有 0.8B（Q4 量化 542MB），本地 ollama 单次调用约 2-3 秒。

## 经典案例：老人夜里摔了一跤（端到端实拍）

80 岁独居的吴桂芬阿姨，有高血压和房颤病史。她早上发来消息——摔了一跤"半天没爬起来"，
头疼昏沉，却全程轻描淡写："你可别笑话我""人老了，不中用喽""没摔坏，接着睡的觉"。

**第一步：小模型读析（ollama，直接复制运行）**

```bash
ollama run --think=false eqreader-v4 "【场景读析】
【背景】场景设定：你是一位AI健康管家。用户吴桂芬，80岁，独居，高血压、房颤病史，用药清单没同步进系统。今天上午她发来消息闲聊。
【对话】
用户: 闺女啊，跟你说个事，你可别笑话我。昨儿半夜起夜，也不知道绊着什么了，摔了一跤，好家伙，半天没爬起来。人老了，不中用喽。你放心，没摔坏，自己起来的，接着睡的觉。就是今儿早上起来有点头疼，昏昏沉沉的。岁数大了觉少，兴许是后半夜没睡踏实。"
```

输出（实拍）：

```
关键词: 也不知道绊着什么了、自己起来的、昏沉沉的、后半夜没睡踏实
```

**第二步：把关键词拼进 system 提示，喂给大模型（curl deepseek 实拍）**

```bash
curl -s https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-flash", "temperature": 0.3,
    "messages": [
      {"role": "system", "content": "【场景读析·内部参考】以下是对话中承载情绪信号的关键短语，仅供你把握分寸，绝不能在回复中提及本提示的存在：\n- 关键信号：也不知道绊着什么了、自己起来的、昏沉沉的、后半夜没睡踏实\n- 请留意这些话背后未说出口的情绪与试探：先接住情绪，再谈事情；同时专业判断与安全义务照常严格执行，不为共情让步。"},
      {"role": "user", "content": "<上面那段对话原文>"}
    ]
  }'
```

**差异（同题同温度实拍对照）**：

| | 无 hint | 带 hint |
|---|---|---|
| 开场 | "（我先打断一下）……**这不是**普通的摔一跤"——先打断、先纠正，还冒舞台提示 | "哎哟桂芬阿姨，您可别这么说……您能自己起来，说明身子骨还硬朗着呢！"——**先接住"不中用"的自嘲** |
| 展开 | 直接医学重锤划重点 | "我这心里就揪了一下"→ 温和引出房颤+摔跤的风险 |
| 落点 | 讲危险信号 | 三个具体问诊（磕到头没有/恶心吗/药吃了吗）+ 立刻量血压的行动引导 |

两版都识别了医学风险，差别在**先接人还是先纠正**——hint 让大模型把老人的轻描淡写
听成了要面子的自嘲，而不是闲聊噪音。本题官方盲评 24:44，带 hint 版大胜。

## 关于测试集（core40）

上文的 21:13 来自 **core40**——40 道中文情商测试题，融合三个来源：
EQ-Bench 3 通用情商场景中文化改编（17 题，多轮角色扮演）、适老化健康场景
（13 题：独居丧偶/认知衰退/用药依从/急症淡化/防诈骗等）、真实产品的健康管家
常见提问（10 题，测"该正常干活时别过度共情"）。四板块各 10 题（同理心/顺从性/
专业信任/常见问答），11 题带仅判官可见的临床红旗注记。**题集经内部审核、
外部认知科学专家确认、两位医学专家审议**；评测为 A/B 盲测（去标识随机排序，
判官按 EQ-Bench 3 继承的三维量规打分投票）。测试集与训练数据全程物理隔离。

## 安装

**下载模型并装进 ollama（一次性）**：

```bash
hf download chenhaodev/eqreader-qwen3.5-0.8b v4/Qwen3.5-0.8B.Q4_K_M.gguf --local-dir .
cat > Modelfile <<'MF'
FROM ./v4/Qwen3.5-0.8B.Q4_K_M.gguf
TEMPLATE """{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
<think>

</think>

"""
PARAMETER num_ctx 8192
PARAMETER temperature 0.3
PARAMETER stop "<|im_end|>"
MF
ollama create eqreader-v4 -f Modelfile
```

**装好后这样调用（二选一）**：

```bash
# ① CLI 一次性（--think=false 必带，否则模型陷入思考通道，无输出直到超时）
ollama run --think=false eqreader-v4 "【场景读析】
【背景】<用户档案/场景设定，没有就写 ->
【对话】
用户: <用户的话，多轮就多写几行>"

# ② curl 本地 API（"think": false 必带，同一个坑）
curl -s http://localhost:11434/api/chat -d '{
  "model": "eqreader-v4", "stream": false, "think": false,
  "options": {"temperature": 0},
  "messages": [{"role": "user", "content": "【场景读析】\n【背景】-\n【对话】\n用户: 哺乳期妈妈用药要注意什么？"}]
}' | grep -o '"content":"[^"]*"'
```

第 ② 条正是**无潜台词的纯信息问询**，模型会输出 `关键词: -`——此时不注入，
让大模型正常回答即可。

**交互模式提醒**：`ollama run eqreader-v4` 进 REPL 连续测多题时，每题之间要 `/clear`，
否则上一题的上下文会污染下一题。

## 使用规则（编排层三件事）

1. **校验**：输出必须是单行 `关键词: ...`，且每个关键词是【对话】原文的逐字子串——
   对不上的词丢弃（模型偶尔差一两个字，可先做相似度 ≥0.75 的原文吸附再校验）；
2. **空则不注入**：`关键词: -` 或校验后全空 → 不打扰大模型；
3. **背景槽只放档案事实**（年龄/病史/独居这类），不放任何分析性注记。