Humanizer：让 AI 初稿更自然，这个 12B 模型能做什么？

近日，开发者 Stephen Yu开源了 humanizer 12B v2。这个中英文改写模型支持本地运行，可以把现成的 AI 草稿改写得更自然，并以保留数字、日期、人名和引语为训练目标。对于经常写邮件、报告和内容文章的人，可以把它放在初稿之后，作为一轮改写工具。

先认识它：中英文改写，支持本地运行

humanizer 是一个约120 亿参数的模型，由 Gemma 4 12B 微调而来。项目提供模型权重和配套桌面应用，代码与权重采用Apache 2.0 许可。模型面向中英文文本改写，输入是一篇草稿，输出是一篇改写稿。

使用时，你需要先准备内容：确定要表达的观点，把数字和事实写清楚，再交给它调整语言。把“帮我查资料，写一篇行业分析”这样的任务交给它，就偏离了它公开训练和评测的范围。它的价值主要体现在已有内容的编辑环节。

本地运行也让这类工具有了具体用途。下载模型后，你可以在自己的电脑上处理草稿，无须把每次改写都发送到云端。

模型负责生成改写内容，桌面应用负责导入文件、展示差异和管理长稿。能打开 PDF，不等于模型获得了图片理解或版面编辑能力。如果你的目标是调整排版，或者处理表格里的数据，还需要相应的工具。

它的价值主要体现在已有内容的编辑环节——先写清观点与事实，再交给它调整语言。

它怎样学会改写：三阶段训练

很多“去 AI 味”的建议会列出禁用词，再让通用模型照着修改。humanizer 经过专门微调，在训练中学习真人表达，并接受事实保留和减少照抄的约束。整个流程分为SFT、DPO 和 GRPO三个阶段。

第一阶段：监督微调 SFT

第一阶段是监督微调 SFT，学习真人如何表达。训练数据涵盖邮件、报告、论文摘要、学生作文、知乎和论坛回答等文本。其他模型先把这些真人文本改成 AI 风格的草稿，humanizer 再学习从草稿生成对应的真人原文。每组输入和目标围绕相同内容，模型需要调整句式、段落和语气，同时保留信息。

第二阶段：直接偏好优化 DPO

第二阶段是直接偏好优化 DPO，比较同一草稿的不同改写。保住事实、少照搬原稿的结果作为较好样本，改变含义、编造或遗漏信息的结果作为较差样本。模型通过这些配对学习选择更合适的表达。3,918 对是训练部分，另有 206 对留作验证，共 4,124 对。

第三阶段：强化学习 GRPO

第三阶段是强化学习 GRPO。模型为草稿生成多个候选，由 GLM-5.3 对照原稿评分，惩罚严重错误、编造、含义变化和格式丢失；照抄惩罚还会检查连续词语和句法骨架的复用，约束“只换几个词”的改法。

邮件、报告和文章，分别怎么用

看中文工作邮件的对照图更容易理解。模型重排句子，改写邀请和会议安排的措辞，日期、地点、人员和议程时长继续留在正文里。你能看见一段话怎么改，再判断这种语气是否适合收件人。

工作邮件

工作邮件是容易尝试的场景。原稿常常把简单的邀约写得很绕，塞进“进一步加强沟通”“统一推进相关工作”之类的表达。你可以先写清楚谁参加、讨论什么、何时回复，让它改写，再检查称呼和语气。给同事的邮件可以随和些，给客户的承诺仍要逐句核对。

给客户的承诺仍要逐句核对。

报告和产品说明

报告和产品说明适合处理长句、重复解释，以及一段接一段的抽象总结。比如你已经写明测试范围和改进结果，可以让模型调整叙述顺序，减少重复。审核时，要看它有没有把“部分用户”改成“用户”，或者把“有望改善”写成“已经改善”。这些词很短，却会改变结论。

这些词很短，却会改变结论。

个人经历、现场细节和判断，需要你自己提供。

改完后，内容团队还可以用自己的编辑标准再筛一遍：产品名称是否统一，专业术语有没有换成意思不准的日常词，读者最需要的结论是否仍在开头。一篇技术介绍允许口语化，但不能为了亲切把限定条件删掉。模型完成的是候选改写，最终取舍仍属于编辑。

论坛回答、个人随笔也在项目的训练或评测范围内，可以用来尝试更口语的表达。但模型有时会加入原文没有的俚语，甚至粗俗措辞。实际应用时，最好按邮件、报告、文章分别准备样稿，先看它是否适合你的语气，再决定批量处理哪些内容。

模型完成的是候选改写，最终取舍仍属于编辑——个人经历、现场细节和判断，需要你自己提供。

95% 的结果，测量了什么

项目使用312 篇未参与训练的草稿评测，包含 210 篇英文、102 篇中文，覆盖 18 种体裁，每篇生成两个改写结果。

其中一项英文测试使用 Originality.ai。项目评测采用 bf16 权重，模型处理了 210 篇英文草稿，检测器在最严格设置下把 11 篇标为 AI，约 95% 未被标记；上一版有 26 篇被标记。

事实检查更关系到日常使用。GLM-5.3 作为从严的评审模型，在 420 篇英文改写里，有 376 篇没有发现事实问题，约占89.5%；中文是 204 篇中的 149 篇，约占73.0%。

中文结果说明，使用者仍要做实质审核——读起来是否顺口和事实是否保住，需要分开检查。

中文结果说明，使用者仍要做实质审核。项目列出的错误包括把“本月20日前后”写成“20号以前”。日期数字保住了，时间含义却变了。英文里也出现过把“剩余37条投诉”写成“另外37%的投诉”。很多问题只需改一个词，但编辑必须先找到它。判断改写质量时，读起来是否顺口和事实是否保住，需要分开检查。

评测还记录了格式变化：420 篇英文结果中，有 28 篇丢失了某个格式元素，例如主题行、列表或落款。你拿它处理会议通知时，应该确认每条议程仍然存在；改写报告时，要检查段落合并后有没有让条件和结论分离。文风评价之外，这些检查更接近编辑每天要做的工作。

普通电脑，可以选多大的版本

humanizer 提供多档 GGUF 文件。Q8_0 约 12.7 GB，推荐配置是 32 GB 或更大内存；Q6_K 约 10.0 GB，对应建议是 16 GB 内存。更小的 Q3 约 5.6 GB，2-bit 约 3.9 GB，参考配置分别是 12 GB 和 8 GB 内存。实际占用还取决于运行环境、上下文和其他应用。

版本大小 / 参考配置

Q8_0约 12.7 GB / 32 GB 内存

Q6_K约 10.0 GB / 16 GB 内存

Q3约 5.6 GB / 12 GB 内存

2-bit约 3.9 GB / 8 GB 内存

部分较小的量化版本还经过量化感知训练和蒸馏，以减少压缩造成的偏差。选版本时也要看事实保留：英文评测中，Q8_0 有 44 篇结果被指出存在事实问题，2-bit 有 70 篇。内存允许时，可以先试较大的版本；需要小模型时，就增加对数字和含义的复核。

把它放进自己的编辑流程

这款 AI 改写工具既能桌面端离线使用，也能通过配套工具处理 Word、PDF 等文件，还支持开发者按项目提示格式接入。从首次试用到团队流程落地，关键在于：先标记必须保留的信息，再逐条核对数字、单位与语义变化，最后决定是否接入固定流程。

入门：桌面应用

入门可以使用 Windows 或 Apple 芯片 Mac 的桌面应用。应用首次下载模型，之后支持离线改写；你贴入草稿，比较前后文本。应用还能导入 Word、PDF 中的文字，并让你选中需要原样保留的段落。0.3.4 版本增加了长稿分段和暂停后继续处理的功能。

文件处理：配套 hz 工具

需要处理文件的人可以使用配套的 hz 工具。它分段改写正文，并保留 Markdown 的标题、代码块、表格和链接，提示部分数字异常。它的检查无法覆盖名字或语义变化，长文分段后也可能出现语气不一致。

开发者接入：提示格式与上下文预算

开发者接入时，还要沿用项目提供的提示格式。它按文本补全方式训练，不能随意套用通用聊天模板。项目推荐的上下文预算是 8192 tokens，包含提示、原稿和改写结果，长文需要分段。这些设置会影响输出，评测数字也不能替代对自己运行配置的验证。

上下文预算

项目推荐8192 tokens，包含提示、原稿和改写结果，长文需要分段。

评测数字不能替代对自己运行配置的验证。

第一次尝试：如何审核改写稿

第一次尝试，可以拿一封自己写过的邮件或一篇熟悉的文章，先标记必须保留的信息，再比较改写稿。

•数字没变，还要看单位；

•日期没变，还要看时间关系；

•措辞更顺，还要看承诺是否变重。

经过这轮审核，你才能判断它帮你省下了多少编辑工作，以及哪些段落仍需要自己重写。

模型下载

OpenCSG社区：

https://opencsg.com/models/AIWizards/humanizer

Hugging Face社区：

https://huggingface.co/jialinyyzz/humanizer

OpenCSG vs 魔搭：如何选择？

维度OpenCSG / CSGHub魔搭 / ModelScope

平台定位企业级AI资产管理中心面向开发者和AI社区的MaaS平台

本地部署对象一套模型资产管理平台本身偏向模型、SDK和工具链的本地使用

私有化 / 离线明确支持私有化部署、离线运行支持模型下载、本地缓存、本地训练/推理

开源代码平台型产品本身SDK和大量工具链

项目管理能力模型、数据、代码、应用的统一资产治理，管理模型使用链路模型部署和推理

使用模型部署在魔搭、OpenCSG 等模型社区中均可实现，但 OpenCSG/CSGHub 的核心在于，它不只是让模型"跑起来"，而是进一步支持企业把模型、数据集、代码和应用等 AI 资产放到本地、内网或离线环境中统一管理。它解决的不只是"模型怎么部署、怎么调用"的问题，更是"模型进入企业后如何被安全管理、版本沉淀、权限控制和持续运营"的问题。对于企业来说，CSGHub 可以帮助构建自己的私有模型资产中心，降低对外部平台的依赖；对于个人开发者来说，也可以用更系统的方式管理模型、实验项目和 AI 应用流程。相比更偏向模型发现、体验和使用入口的魔搭，CSGHub 更适合那些希望把 AI 能力真正沉淀下来，并长期维护、持续迭代的用户。

关于 OpenCSG

OpenCSG 是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps 是人工智能领域的一种 AI 原生方法论，由 OpenCSG（开放传神）提出。AgenticOps是 Agentic AI 的最佳落地实践也是方法论。核心产品 CSGHub 提供模型、数据集、代码与 AI 应用的一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。