更改

RWKV 模型结合了 Transformer 与 RNN 的优点，具备以下几个显著特性：

RWKV 模型结合了 Transformer 与 RNN 的优点，具备以下几个显著特性：

*'''提高线性推理效率'''：RWKV 采用类 RNN 的时间递推结构，每一步仅依赖前一状态，推理时无需处理整个上下文，具备常数内存与线性时间复杂度，适合实时和资源受限场景。

*线性推理效率：RWKV 采用类 RNN 的时间递推结构，每一步仅依赖前一状态，推理时无需处理整个上下文，具备常数内存与线性时间复杂度，适合实时和资源受限场景，提高线性推理效率。

*并行训练能力：尽管具有递归结构，RWKV 引入了 Token-Shift []与 Time-Mix[] 等机制，使其训练过程可以像 Transformer 一样实现高度并行，显著提升训练效率。

*并行训练能力：尽管具有递归结构，RWKV 引入了 Token-Shift []与 Time-Mix[] 等机制，使其训练过程可以像 Transformer 一样实现高度并行，显著提升训练效率。

*兼容 Transformer 的训练范式：RWKV 可无缝使用 Transformer 社区常见的预训练与微调方法（如语言建模、指令微调、LoRA 等），便于迁移与应用。

*兼容 Transformer 的训练范式：RWKV 可无缝使用 Transformer 社区常见的预训练与微调方法（如语言建模、指令微调、LoRA 等），便于迁移与应用。