阶段一
预训练
在大规模古籍语料上继续预训练，让模型建立对古汉语的底层理解。
- 掌握古汉语的字词、句法与篇章特征
- 熟悉经史子集各部的文体差异
- 缓解通用模型在古文上的分词与语义偏差
读得懂古文
训练按顺序执行，前一阶段的产物是后一阶段的起点。四个阶段分别解决「读得懂古文」「听得懂指令」「做得准任务」「用得了工具」四类问题。
在大规模古籍语料上继续预训练，让模型建立对古汉语的底层理解。
用多任务古文指令数据，对齐模型的任务响应格式与推理路径。
以任务评测指标作为奖励信号，按子任务分别对齐，把「答得像」变成「答得准」。
在带工具调用的多步任务轨迹上训练，形成规划—调用—反思的行为模式。
完整的训练细节、数据构成与评测结果，将随模型发布的技术报告一并公布。
经过 Agentic RL 训练后，新荀子 3.0 输出稳定的工具调用结构，可作为 Claude Code、OpenClaw 等自演化智能体框架的底层模型，把古籍处理能力接入自动化工作流。
按 function calling 规范输出调用请求与参数，支持检索、查库、计算等外部工具接入。
面对"校勘一段文本并抽取人物关系"这类复合任务，可自行拆解步骤、按序执行并汇总结果。
思考过程与工具调用分离输出，每一步的依据可回溯，便于人文研究场景下的结果核验。
面向命令行与代码库场景的智能体形态，适配后可用于古籍数据批处理脚本的自动编写与执行。
规划中
面向开放式任务编排的智能体框架，适配后可承接古籍检索、整理、问答的长链路任务。
规划中
上述适配能力随正式模型一同开放，接入方式将在发布时公布。
古籍领域基座模型与 SikuBERT 系列预训练模型，解决古文"读得懂"的问题。
面向分词、断句、实体识别、关系抽取等下游任务的指令微调模型与评测基准。
引入强化学习与 Agentic RL，从"处理工具"走向"能自主完成任务的智能体"。