传统AI助手在面对“我知道该做什么，但就是无法开始”的困境时，往往给出更长的待办清单，而这恰恰是ADHD患者执行功能障碍的帮凶。NeuroBait则切换了思路：微调Gemma-3-12b大模型，用少量手工合成数据训练出一个能给出“温暖火花”的对话助手——不同你在做什么列表，而是告诉你一个可以立刻动起来的微小动作。

从技术路径看，NeuroBait采用16-bit LoRA（r=16, alpha=16）在Unsloth框架上训练3个epoch，学习率2e-4，最大序列长度2048，使用单张H100 80GB GPU。数据集并非海量爬取，而是基于真实ADHD场景手工合成——这体现了项目方对目标群体痛点的精准把握：不追求通用能力，而是聚焦于“打破僵局”这一核心需求。模型最终部署在Hugging Face Space的ZeroGPU上，通过Gradio界面交互，运行时先以4-bit NF4加载基础模型，再挂载LoRA适配器，兼顾推理效率与生成质量。

与市面上大多数“个人效率”AI产品形成鲜明对比：它们倾向于分析目标、拆分步骤、输出清单，这本质上是对神经典型大脑的思维建模。而ADHD大脑的执行功能核心障碍恰恰是“启动阻力”——即便知道第一步，也难以从认知切换到行动。NeuroBait的回复设计（3-6句温暖流畅，不提列表）正是对多巴胺机制的干预：用简短、具体、可控的提议（如“现在站起来，去厨房倒一杯水”）绕过前额叶的过度分析，直接触发奖励回路。

值得关注的是，该项目并未依赖大量真实患者数据，而是采用“手工合成+微调”的低成本路线。这对AI在心理健康细分领域的落地提供了一个可复用的参考范式：不追求数据规模，而是以极致的场景切分为核心，用少量高质量样本引导模型产生针对性行为。当然，这也意味着模型的泛化能力有限——它更适合作为“引子”而非长期治疗工具。

对于ADHD群体或经常“卡住”的普通人，NeuroBait是一次从“理论陪伴”到“行动触媒”的尝试。建议使用者将其视为一个多巴胺开关：当陷入“知道该做却不想做”的僵局时，点开对话，让模型给出一个最简单的动作，然后立即执行。观察AI行业趋势，类似针对执行功能、情绪调节等认知痛点的垂直微调模型有望增多——这是“AI+精神健康”从宽泛聊天转向精准干预的征兆。NeuroBait的出现，至少证明了一件事：有时候，少说、多做，才是AI最好的陪伴。