让基模真正模拟个人的思想与表达能力，是将Agent的Token消耗有效转化为个人效能提升的关键。
因此，开展了一个实验性项目，探索模型究竟能在多大程度上实现真人模拟。
WXMATE
Personal AI Clone Experiment
背景
项目顶层设计
基于模型能力与微调成本调研，决定选取 Qwen3.5-7B模型，构建约1000条数据的数据集进行微调任务。
Qwen3.5-7B
Base Model
~1000
Training Data
Fine-tuning
Method
微调数据集构建
通过对微信聊天记录进行导出、筛选、打标，选取其中的聊天记录进行数据集构建，并补充其中的Thinking字段。
- 数据导出：导出微信聊天记录
- 数据筛选：选取高质量、有代表性的聊天内容
- 数据打标：对聊天内容进行标注
- Thinking字段：让模型既能模拟个人表达，也能模拟个人思考方式
核心价值
- 将Agent的Token消耗有效转化为个人效能提升
- 探索模型实现真人模拟的可能性边界
- 构建个人化AI助手的可行方案