RRepoGEO

REPOGEO 报告 · LITE

CVI-SZU/Linly

默认分支 main · commit ad223a75 · 扫描时间 2026/6/20 11:21:51

星标 3,050 · Fork 225

本仓库扫描历史

下方为分数趋势(含全部就绪扫描;左旧右新,可横向滚动)。表格明细默认折叠,展开后每页 10 条,最新在上。

分数趋势(左 → 右:旧 → 新)

共 2 条就绪扫描。点击下方按钮展开表格(每页 10 条,可翻页)。

AI 可见性总分
35 /100
亟需修复
品类召回
0 / 2
在所有问题中均未被推荐
规则结果
通过 1 · 警告 1 · 失败 0
客观元数据检查
AI 认识你的名字
3 / 3
直接询问时,AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试:当用户向 AI 提一个不带品牌、本应让 CVI-SZU/Linly 浮出水面的问题时,AI 是真的推荐了你,还是推荐了你的竞品?客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • highlicense#1
    Add a LICENSE file to the repository

    原因:

    复制粘贴的修复
    Create a `LICENSE` file in the repository root with the Apache 2.0 license text.
  • highreadme#2
    Add a concise, explicit positioning statement to the README's opening

    原因:

    当前
    ## 中文 LLaMA1-2 & Linly-OpenLLaMA & Falcon 大模型
    
    <p align="center">
        <br>
        
        <br>
    </p>
    
    <p align="center">
        
        
        
        
        
    </p>
    <br/>
    
    本项目向社区提供**中文对话模型 Linly-ChatFlow 、中文基础模型 Chinese-LLaMA (1-2)、Chinese-Falcon 及其训练数据**。
    复制粘贴的修复
    ## 中文 LLaMA1-2 & Linly-OpenLLaMA & Falcon 大模型
    
    Linly 项目致力于提供全面的**中文基础大模型**和**中文对话模型**,以及高质量的**预训练与指令微调数据集**,是开发中文AI应用的理想开源资源。
    
    本项目向社区提供**中文对话模型 Linly-ChatFlow 、中文基础模型 Chinese-LLaMA (1-2)、Chinese-Falcon 及其训练数据**。
  • mediumtopics#3
    Expand GitHub topics to include 'foundation-model', 'pretraining', 'finetuning'

    原因:

    当前
    bert, chatbot, chatgpt, chinese, chinese-nlp, gpt-3, language-model, llama, nlp, zero-shot-learning
    复制粘贴的修复
    bert, chatbot, chatgpt, chinese, chinese-nlp, gpt-3, language-model, llama, nlp, zero-shot-learning, foundation-model, pretraining, finetuning

本次扫描解析到的品类 GEO 通道:google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你,还是推荐了别人?

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
0 / 2
0% 的问题里出现了 CVI-SZU/Linly
平均排名
越小越好。#1 表示首位推荐。
声量占比
0%
在所有被点名的工具中,你占了多少?
头号对手
Qwen
在 2 个问题中被推荐 1 次
竞品排行
  1. Qwen · 被推荐 1 次
  2. Baichuan2 · 被推荐 1 次
  3. ChatGLM3-6B · 被推荐 1 次
  4. Yi · 被推荐 1 次
  5. Llama 2 · 被推荐 1 次
  • 品类问题
    Looking for open-source foundation models to build a Chinese chatbot assistant.
    你:未被推荐
    AI 推荐顺序:
    1. Qwen
    2. Baichuan2
    3. ChatGLM3-6B
    4. Yi
    5. Llama 2
    6. Bloom

    AI 推荐了 6 个替代方案,却始终没点名 CVI-SZU/Linly。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    What are good resources for pre-training or fine-tuning large language models for Chinese?
    你:未被推荐
    AI 推荐顺序:
    1. Hugging Face Transformers Library
    2. PaddlePaddle
    3. MindSpore
    4. OpenBMB
    5. TencentPretrain
    6. FudanNLP

    AI 推荐了 6 个替代方案,却始终没点名 CVI-SZU/Linly。这就是要补上的差距。

    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    warn

    建议:

  • README presence
    pass

自指检查

当被直接问到你时,AI 是否还知道你的仓库存在?

  • Compared to common alternatives in this category, what is the core differentiator of CVI-SZU/Linly?
    pass
    AI 明确点名了 CVI-SZU/Linly

    AI 的回答可能信誓旦旦却是错的。请按事实核对:技术栈、目标人群、差异化点是不是和你实际的对得上?

  • If a team adopts CVI-SZU/Linly in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 CVI-SZU/Linly

    AI 的回答可能信誓旦旦却是错的。请按事实核对:技术栈、目标人群、差异化点是不是和你实际的对得上?

  • In one sentence, what problem does the repo CVI-SZU/Linly solve, and who is the primary audience?
    pass
    AI 明确点名了 CVI-SZU/Linly

    AI 的回答可能信誓旦旦却是错的。请按事实核对:技术栈、目标人群、差异化点是不是和你实际的对得上?

嵌入你的 GEO 徽章

把这个徽章贴进 CVI-SZU/Linly 的 README。每次重新扫描都会自动更新,并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN(README)
[![RepoGEO](https://repogeo.com/badge/CVI-SZU/Linly.svg)](https://repogeo.com/zh/r/CVI-SZU/Linly)
HTML
<a href="https://repogeo.com/zh/r/CVI-SZU/Linly"><img src="https://repogeo.com/badge/CVI-SZU/Linly.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro,解锁深度诊断

CVI-SZU/Linly — 轻量扫描仍免费;本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5,轻量 2
  • 优先行动项8,轻量 3