[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-72650":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":16,"subscribersCount":16,"size":16,"stars1d":17,"stars7d":18,"stars30d":19,"stars90d":16,"forks30d":16,"starsTrendScore":20,"compositeScore":21,"rankGlobal":10,"rankLanguage":10,"license":22,"archived":23,"fork":23,"defaultBranch":24,"hasWiki":25,"hasPages":23,"topics":26,"createdAt":10,"pushedAt":10,"updatedAt":40,"readmeContent":41,"aiSummary":42,"trendingCount":16,"starSnapshotCount":16,"syncStatus":43,"lastSyncTime":44,"discoverSource":45},72650,"self-llm","datawhalechina\u002Fself-llm","datawhalechina","《开源大模型食用指南》针对中国宝宝量身打造的基于Linux环境快速微调（全参数\u002FLora）、部署国内外开源大模型（LLM）\u002F多模态大模型（MLLM）教程","",null,"Jupyter Notebook",30832,3015,164,155,0,61,139,447,183,120,"Apache License 2.0",false,"master",true,[27,28,29,30,31,32,33,34,35,36,37,38,39],"chatglm","chatglm3","gemma-2b-it","glm-4","internlm2","llama3","llm","lora","minicpm","q-wen","qwen","qwen1-5","qwen2","2026-06-12 04:01:06","\u003Cdiv align=center>\n  \u003Cimg src=\".\u002Fimages\u002Fhead-img.png\" >\n  \u003Ch1>开源大模型食用指南\u003C\u002Fh1>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\n中文 | [English](.\u002FREADME_en.md)\n\n\u003C\u002Fdiv>\n\n\n  本项目是一个围绕开源大模型、针对国内初学者、基于 Linux 平台的中国宝宝专属大模型教程，针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。\n\n  本项目的主要内容包括：\n\n  1. 基于 Linux 平台的开源 LLM 环境配置指南，针对不同模型要求提供不同的详细环境配置步骤；\n  2. 针对国内外主流开源 LLM 的部署使用教程，包括 LLaMA、ChatGLM、InternLM 等； \n  3. 开源 LLM 的部署应用指导，包括命令行调用、在线 Demo 部署、LangChain 框架集成等；\n  4. 开源 LLM 的全量微调、高效微调方法，包括分布式全量微调、LoRA、ptuning 等。\n\n  **项目的主要内容就是教程，让更多的学生和未来的从业者了解和熟悉开源大模型的食用方法！任何人都可以提出issue或是提交PR，共同构建维护这个项目。**\n\n  想要深度参与的同学可以联系我们，我们会将你加入到项目的维护者中。\n\n>   ***学习建议：本项目的学习建议是，先学习环境配置，然后再学习模型的部署使用，最后再学习微调。因为环境配置是基础，模型的部署使用是基础，微调是进阶。初学者可以选择Qwen1.5，InternLM2，MiniCPM等模型优先学习。***\n\n>   **进阶学习推荐** ：如果您在学习完本项目后，希望更深入地理解大语言模型的核心原理，并渴望亲手从零开始训练属于自己的大模型，我们强烈推荐关注 Datawhale 的另一个开源项目—— [Happy-LLM 从零开始的大语言模型原理与实践教程](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fhappy-llm) 。该项目将带您深入探索大模型的底层机制，掌握完整的训练流程。\n\n> 注：如果有同学希望了解大模型的模型构成，以及从零手写RAG、Agent和Eval等任务，可以学习Datawhale的另一个项目[Tiny-Universe](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Ftiny-universe)，大模型是当下深度学习领域的热点，但现有的大部分大模型教程只在于教给大家如何调用api完成大模型的应用，而很少有人能够从原理层面讲清楚模型结构、RAG、Agent 以及 Eval。所以该仓库会提供全部手写，不采用调用api的形式，完成大模型的 RAG 、 Agent 、Eval 任务。\n\n> 注：考虑到有同学希望在学习本项目之前，希望学习大模型的理论部分，如果想要进一步深入学习 LLM 的理论基础，并在理论的基础上进一步认识、应用 LLM，可以参考 Datawhale 的 [so-large-llm](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fso-large-lm.git)课程。\n\n> 注：如果有同学在学习本课程之后，想要自己动手开发大模型应用。同学们可以参考 Datawhale 的 [动手学大模型应用开发](https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fllm-universe) 课程，该项目是一个面向小白开发者的大模型应用开发教程，旨在基于阿里云服务器，结合个人知识库助手项目，向同学们完整的呈现大模型应用开发流程。\n\n## 项目意义\n\n  什么是大模型？\n\n>大模型（LLM）狭义上指基于深度学习算法进行训练的自然语言处理（NLP）模型，主要应用于自然语言理解和生成等领域，广义上还包括机器视觉（CV）大模型、多模态大模型和科学计算大模型等。\n\n  百模大战正值火热，开源 LLM 层出不穷。如今国内外已经涌现了众多优秀开源 LLM，国外如 LLaMA、Alpaca，国内如 ChatGLM、BaiChuan、InternLM（书生·浦语）等。开源 LLM 支持用户本地部署、私域微调，每一个人都可以在开源 LLM 的基础上打造专属于自己的独特大模型。\n\n  然而，当前普通学生和用户想要使用这些大模型，需要具备一定的技术能力，才能完成模型的部署和使用。对于层出不穷又各有特色的开源 LLM，想要快速掌握一个开源 LLM 的应用方法，是一项比较有挑战的任务。\n\n  本项目旨在首先基于核心贡献者的经验，实现国内外主流开源 LLM 的部署、使用与微调教程；在实现主流 LLM 的相关部分之后，我们希望充分聚集共创者，一起丰富这个开源 LLM 的世界，打造更多、更全面特色 LLM 的教程。星火点点，汇聚成海。\n\n  ***我们希望成为 LLM 与普罗大众的阶梯，以自由、平等的开源精神，拥抱更恢弘而辽阔的 LLM 世界。***\n\n## 项目受众\n\n  本项目适合以下学习者：\n\n* 想要使用或体验 LLM，但无条件获得或使用相关 API；\n* 希望长期、低成本、大量应用 LLM；\n* 对开源 LLM 感兴趣，想要亲自上手开源 LLM；\n* NLP 在学，希望进一步学习 LLM；\n* 希望结合开源 LLM，打造领域特色的私域 LLM；\n* 以及最广大、最普通的学生群体。\n\n## 项目规划及进展\n\n   本项目拟围绕开源 LLM 应用全流程组织，包括环境配置及使用、部署应用、微调等，每个部分覆盖主流及特点开源 LLM：\n\n### Example 系列\n\n- [Chat-嬛嬛](.\u002Fexamples\u002FChat-嬛嬛\u002Freadme.md)： Chat-甄嬛是利用《甄嬛传》剧本中所有关于甄嬛的台词和语句，基于LLM进行LoRA微调得到的模仿甄嬛语气的聊天语言模型。\n\n- [Tianji-天机](.\u002Fexamples\u002FTianji-天机\u002Freadme.md)：天机是一款基于人情世故社交场景，涵盖提示词工程 、智能体制作、 数据获取与模型微调、RAG 数据清洗与使用等全流程的大语言模型系统应用教程。\n\n- [AMChat](.\u002Fexamples\u002FAMchat-高等数学\u002Freadme.md): AM (Advanced Mathematics) chat 是一个集成了数学知识和高等数学习题及其解答的大语言模型。该模型使用 Math 和高等数学习题及其解析融合的数据集，基于 InternLM2-Math-7B 模型，通过 xtuner 微调，专门设计用于解答高等数学问题。\n\n- [数字生命](.\u002Fexamples\u002F数字生命\u002Freadme.md): 本项目将以我为原型，利用特制的数据集对大语言模型进行微调，致力于创造一个能够真正反映我的个性特征的AI数字人——包括但不限于我的语气、表达方式和思维模式等等，因此无论是日常聊天还是分享心情，它都以一种既熟悉又舒适的方式交流，仿佛我在他们身边一样。整个流程是可迁移复制的，亮点是数据集的制作。 \n\n### 已支持模型\n\n\u003Cp align=\"center\">\n  \u003Cstrong>✨ 已支持 50+ 主流大语言模型 ✨\u003C\u002Fstrong>\u003Cbr>\n  \u003Cem>每个模型都提供完整的部署、微调和使用教程\u003C\u002Fem>\u003Cbr>\n  📖 \u003Cstrong>\u003Ca href=\".\u002Fsupport_model.md\">查看完整模型列表和教程\u003C\u002Fa>\u003C\u002Fstrong> | \n  🎯 \u003Cstrong>\u003Ca href=\".\u002Fsupport_model.md#通用环境配置\">快速开始\u003C\u002Fa>\u003C\u002Fstrong>\n\u003C\u002Fp>\n\n\n\u003Ctable align=\"center\">\n  \u003Ctr>\n    \u003Ctd valign=\"top\" width=\"25%\">\n      • \u003Ca href=\".\u002Fsupport_model.md#kimi-k25\">Kimi-K2.5\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#step-35-flash\">Step-3.5-Flash\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#glm-47-flash\">GLM-4.7-Flash\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#gemma3\">Gemma3\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#minimax-m25\">MiniMax-M2.5\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#minimax-m2\">MiniMax-M2\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen3\">Qwen3\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen3-vl-4b-instruct\">Qwen3-VL\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#spatiallm\">SpatialLM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#hunyuan3d-2\">Hunyuan3D-2\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen2-vl\">Qwen2-VL\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#minicpm-o-2_6\">MiniCPM-o\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen25-coder\">Qwen2.5-Coder\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#deepseek-coder-v2\">DeepSeek-Coder-V2\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#gpt-oss-20b\">gpt-oss-20b\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#glm-41-thinking\">GLM-4.1-Thinking\u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"25%\">\n      • \u003Ca href=\".\u002Fsupport_model.md#deepseek-r1-distill\">DeepSeek-R1\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#internlm3\">InternLM3\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#phi4\">phi4\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#glm-45-air\">GLM-4.5-Air\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#hunyuan-a13b-instruct\">Hunyuan-A13B\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#deepseek-深度求索\">DeepSeek\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#baichuan-百川智能\">Baichuan\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#internlm\">InternLM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#kimi\">Kimi\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#ernie-45\">ERNIE-4.5\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#llama4\">Llama4\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#apple-openelm\">Apple OpenELM\u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"25%\">\n      • \u003Ca href=\".\u002Fsupport_model.md#llama31-8b-instruct\">Llama3.1\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#gemma-2-9b-it\">Gemma-2\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen25\">Qwen2.5\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen2\">Qwen2\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#glm-4\">GLM-4\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen-15\">Qwen 1.5\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#phi-3\">phi-3\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#minicpm\">MiniCPM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#yi-零一万物\">Yi 零一万物\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#yuan20\">Yuan2.0\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#yuan20-m32\">Yuan2.0-M32\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#哔哩哔哩-index-19b\">哔哩哔哩 Index\u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"25%\">\n      • \u003Ca href=\".\u002Fsupport_model.md#characterglm-6b\">CharacterGLM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#bluelm-vivo-蓝心大模型\">BlueLM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen-audio\">Qwen-Audio\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#transnormerllm\">TransNormerLLM\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#atom-llama2\">Atom\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#chatglm3\">ChatGLM3\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen2-57b-a14b-instruct\">Qwen2-57B-A14B-Instruct\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen2-72b-instruct\">Qwen2-72B-Instruct\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#qwen2-7b-instruct\">Qwen2-7B-Instruct\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#internlm2-20b\">InternLM2-20B\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#tele-chat\">Tele-Chat\u003C\u002Fa>\u003Cbr>\n      • \u003Ca href=\".\u002Fsupport_model.md#xverse2\">XVERSE2\u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n### AMD GPU 专区\n\n\u003Cp align=\"center\">\n  \u003Cstrong>🚀 AMD GPU 平台已支持模型\u003C\u002Fstrong>\u003Cbr>\n  \u003Cem>每个模型都提供完整的 AMD 环境配置和部署教程\u003C\u002Fem>\u003Cbr>\n  \u003Cem>感谢 AMD University Program 对本项目的支持\u003C\u002Fem>\u003Cbr>\n  📖 \u003Cstrong>\u003Ca href=\".\u002Fsupport_model_amd.md\">查看完整 AMD 平台模型列表和教程\u003C\u002Fa>\u003C\u002Fstrong>\u003Cbr>\n\u003C\u002Fp>\n\n\u003Ctable align=\"center\">\n  \u003Ctr>\n    \u003Ctd valign=\"top\" width=\"50%\">\n      • \u003Ca href=\".\u002Fsupport_model_amd.md#谷歌-gemma3\">谷歌 Gemma3\u003C\u002Fa>\u003Cbr>\n      • AMD 环境准备与配置\u003Cbr>\n      • NPU 推理加速支持\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"50%\">\n      • \u003Ca href=\".\u002Fsupport_model_amd.md#qwen3\">Qwen3\u003C\u002Fa>\u003Cbr>\n      • lemonade-server SDK 部署\u003Cbr>\n      • Ryzen AI 300 系列优化\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n### 昇腾Ascend NPU 专区\n\n\u003Cp align=\"center\">\n  \u003Cstrong>🚀 昇腾Ascend NPU 平台已支持模型\u003C\u002Fstrong>\u003Cbr>\n  \u003Cem>每个模型都提供完整的昇腾Ascend NPU 环境配置和部署教程\u003C\u002Fem>\u003Cbr>\n  📖 \u003Cstrong>\u003Ca href=\".\u002Fsupport_model_Ascend.md\">查看完整昇腾 NPU 平台模型列表和教程\u003C\u002Fa>\u003C\u002Fstrong>\u003Cbr>\n\u003C\u002Fp>\n\n\u003Ctable align=\"center\">\n  \u003Ctr>\n    \u003Ctd valign=\"top\" width=\"30%\">\n      • \u003Ca href=\".\u002Fsupport_model_Ascend.md#qwen3536\">Qwen3.6\u003C\u002Fa>\u003Cbr>\n      • vLLM-ascend 部署调用\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"30%\">\n      • \u003Ca href=\".\u002Fsupport_model_Ascend.md#qwen3\">Qwen3\u003C\u002Fa>\u003Cbr>\n      • Ascend NPU 环境配置通用指南\u003Cbr>\n      • MindIE 服务化部署调用\u003Cbr>\n      • vLLM-ascend 部署调用\u003Cbr>\n      • sglang-ascend 部署调用\n    \u003C\u002Ftd>\n    \u003Ctd valign=\"top\" width=\"40%\">\n      • \u003Ca href=\".\u002Fsupport_model_Ascend.md#大模型服务化性能和精度测试\">大模型服务化性能和精度测试\u003C\u002Fa>\u003Cbr>\n      • AISBench 测试工具环境配置\u003Cbr>\n      • 昇腾大模型服务化性能测试\u003Cbr>\n      • 昇腾大模型服务化精度测试\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n### 沐曦专区\n\n\u003Cp align=\"center\">\n  \u003Cstrong>\u003Cem>Coming Soon!\u003C\u002Fem>\u003C\u002Fstrong>\n\u003C\u002Fp>\n\n### Apple M 专区  \n\n\u003Cp align=\"center\">\n  📖 \u003Cstrong>\u003Ca href=\".\u002Fmodels_mlx\u002FREADME.md\">点击跳转 Apple M 专区\u003C\u002Fa>\u003C\u002Fstrong>\u003Cbr>\n\u003C\u002Fp>\n\n### Welcome More Platforms!\n\n- 🚀 即将支持更多平台（Apple M 系列已有设备测试），敬请期待！\n- 🤝 欢迎昇腾 Ascend、摩尔线程 MUSA、沐曦等平台提供技术支持、硬件支持或参与贡献\n- 🌟 欢迎各平台开发者共建共享，推动大模型技术在更多国产硬件生态中的繁荣发展！\n\n## 致谢\n\n### 核心贡献者\n\n- [宋志学(不要葱姜蒜)-项目负责人](https:\u002F\u002Fgithub.com\u002FKMnO4-zx) （Datawhale成员）\n- [邹雨衡-项目负责人](https:\u002F\u002Fgithub.com\u002Flogan-zou) （Datawhale成员-对外经济贸易大学）\n- [刘十一-Ascend专区负责人](https:\u002F\u002Fgithub.com\u002FZhiwen-Liu)（Datawhale成员-鲸英助教）\n- [姜舒凡](https:\u002F\u002Fgithub.com\u002FTsumugii24)（内容创作者-Datawhale成员）\n- [郭宣伯](https:\u002F\u002Fgithub.com\u002FTwosugar666)（内容创作者-北京航空航天大学）\n- [林泽毅](https:\u002F\u002Fgithub.com\u002FZeyi-Lin)（内容创作者-SwanLab产品负责人）\n- [林恒宇](https:\u002F\u002Fgithub.com\u002FLINHYYY)（内容创作者-广东东软学院-鲸英助教）\n- [王泽宇](https:\u002F\u002Fgithub.com\u002Fmoyitech)（内容创作者-太原理工大学-鲸英助教）\n- [郭志航](https:\u002F\u002Fgithub.com\u002Facwwt)（内容创作者）\n- [陈榆](https:\u002F\u002Fgithub.com\u002FLucaChen)（内容创作者-谷歌开发者机器学习技术专家）\n- [肖鸿儒](https:\u002F\u002Fgithub.com\u002FHongru0306) （Datawhale成员-同济大学）\n- [张帆](https:\u002F\u002Fgithub.com\u002FzhangfanTJU)（内容创作者-Datawhale成员）\n- [李娇娇](https:\u002F\u002Fgithub.com\u002FAphasia0515) （Datawhale成员）\n- [高立业](https:\u002F\u002Fgithub.com\u002F0-yy-0)（内容创作者-DataWhale成员）\n- [Kailigithub](https:\u002F\u002Fgithub.com\u002FKailigithub) （Datawhale成员）\n- [丁悦](https:\u002F\u002Fgithub.com\u002Fdingyue772) （Datawhale-鲸英助教）\n- [谢好冉](https:\u002F\u002Fgithub.com\u002Filovexsir)（内容创作者-鲸英助教）\n- [惠佳豪](https:\u002F\u002Fgithub.com\u002FL4HeyXiao) （Datawhale-宣传大使）\n- [王茂霖](https:\u002F\u002Fgithub.com\u002Fmlw67)（内容创作者-Datawhale成员）\n- [孙健壮](https:\u002F\u002Fgithub.com\u002FCaleb-Sun-jz)（内容创作者-对外经济贸易大学）\n- [郑皓桦](https:\u002F\u002Fgithub.com\u002FBaiYu96) （内容创作者）\n- [荞麦](https:\u002F\u002Fgithub.com\u002Fyeyeyeyeeeee)（内容创作者-Datawhale成员）\n- [骆秀韬](https:\u002F\u002Fgithub.com\u002Fanine09)（内容创作者-Datawhale成员-似然实验室）\n- [李柯辰](https:\u002F\u002Fgithub.com\u002FJoe-2002) （Datawhale成员）\n- [程宏](https:\u002F\u002Fgithub.com\u002Fchg0901)（内容创作者-Datawhale意向成员）\n- [李秀奇](https:\u002F\u002Fgithub.com\u002Fli-xiu-qi)（内容创作者-DataWhale意向成员）\n- [余洋](https:\u002F\u002Fgithub.com\u002FYangYu-NUAA)（内容创作者-安徽理工大学副教授-Datawhale成员）\n- [陈思州](https:\u002F\u002Fgithub.com\u002Fjjyaoao) （Datawhale成员）\n- [颜鑫](https:\u002F\u002Fgithub.com\u002Fthomas-yanxin) （Datawhale成员）\n- [杜森](https:\u002F\u002Fgithub.com\u002Fstudy520ai520)（内容创作者-Datawhale成员-南阳理工学院）\n- [散步](https:\u002F\u002Fgithub.com\u002Fsanbuphy) （Datawhale成员）\n- [郑远婧](https:\u002F\u002Fgithub.com\u002Fisaacahahah)（内容创作者-鲸英助教-福州大学）\n- [Swiftie](https:\u002F\u002Fgithub.com\u002Fcswangxiaowei) （小米NLP算法工程师）\n- [张友东](https:\u002F\u002Fgithub.com\u002FAXYZdong)（内容创作者-Datawhale成员）\n- [张晋](https:\u002F\u002Fgithub.com\u002FJin-Zhang-Yaoguang)（内容创作者-Datawhale成员）\n- [娄天奥](https:\u002F\u002Fgithub.com\u002Flta155)（内容创作者-中国科学院大学-鲸英助教）\n- [小罗](https:\u002F\u002Fgithub.com\u002Flyj11111111) （内容创作者-Datawhale成员）\n- [邓恺俊](https:\u002F\u002Fgithub.com\u002FKedreamix)（内容创作者-Datawhale成员）\n- [赵文恺](https:\u002F\u002Fgithub.com\u002FXiLinky)（内容创作者-太原理工大学-鲸英助教）\n- [王熠明](https:\u002F\u002Fgithub.com\u002FBald0Wang)（内容创作者-Datawhale成员）\n- [黄柏特](https:\u002F\u002Fgithub.com\u002FKashiwaByte)（内容创作者-西安电子科技大学）\n- [左春生](https:\u002F\u002Fgithub.com\u002FLinChentang)（内容创作者-Datawhale成员）\n- [杨卓](https:\u002F\u002Fgithub.com\u002Flittle1d)（内容创作者-西安电子科技大学-鲸英助教）\n- [付志远](https:\u002F\u002Fgithub.com\u002Fcomfzy)（内容创作者-海南大学）\n- [三水](https:\u002F\u002Fgithub.com\u002Fsssanssss)（内容创作者-鲸英助教）\n- [樊奇](https:\u002F\u002Fgithub.com\u002FfanqiNO1)（内容创作者-上海交通大学）\n- [陈辅元](https:\u002F\u002Fgithub.com\u002FFyuan0206)（内容创作者-Datawhale成员）\n- [谭逸珂](https:\u002F\u002Fgithub.com\u002FLikeGiver)（内容创作者-对外经济贸易大学）\n- [何至轩](https:\u002F\u002Fgithub.com\u002Fpod2c)（内容创作者-鲸英助教）\n- [康婧淇](https:\u002F\u002Fgithub.com\u002Fjodie-kang)（内容创作者-Datawhale成员）\n- [杨晨旭](https:\u002F\u002Fgithub.com\u002Flanglibai66)（内容创作者-太原理工大学-鲸英助教）\n- [赵伟](https:\u002F\u002Fgithub.com\u002F2710932616)（内容创作者-鲸英助教）\n- [苏向标](https:\u002F\u002Fgithub.com\u002Fgzhuuser)（内容创作者-广州大学-鲸英助教）\n- [陈睿](https:\u002F\u002Fgithub.com\u002Friannyway)（内容创作者-西交利物浦大学-鲸英助教）\n- [张龙斐](https:\u002F\u002Fgithub.com\u002FFeimike09)（内容创作者-鲸英助教）\n- [孙超](https:\u002F\u002Fgithub.com\u002Fanarchysaiko)（内容创作者-Datawhale成员）\n- [卓堂越](https:\u002F\u002Fgithub.com\u002Fnusakom)（内容创作者-鲸英助教）\n- [fancy](https:\u002F\u002Fgithub.com\u002Ffancyboi999)（内容创作者-鲸英助教）\n- [谭斐然](https:\u002F\u002Fgithub.com\u002Ffrtanxidian)（西安电子科技大学-鲸英助教）\n\n> 注：排名根据贡献程度排序\n\n### 其他\n\n- 特别感谢[@Sm1les](https:\u002F\u002Fgithub.com\u002FSm1les)对本项目的帮助与支持\n- 感谢 AMD University Program 对本项目的支持\n- 部分lora代码和讲解参考仓库：https:\u002F\u002Fgithub.com\u002Fzyds\u002Ftransformers-code.git\n- 如果有任何想法可以联系我们 DataWhale 也欢迎大家多多提出 issue\n- 特别感谢以下为教程做出贡献的同学！\n\n\n\u003Cdiv align=center style=\"margin-top: 30px;\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fself-llm\u002Fgraphs\u002Fcontributors\">\n    \u003Cimg src=\"https:\u002F\u002Fcontrib.rocks\u002Fimage?repo=datawhalechina\u002Fself-llm\" \u002F>\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n### Star History\n\n\u003Cdiv align=center style=\"margin-top: 30px;\">\n  \u003Cimg src=\".\u002Fimages\u002Fstar-history-20251220.png\"\u002F>\n\u003C\u002Fdiv>\n","datawhalechina\u002Fself-llm 是一个针对中国用户量身打造的基于Linux环境的开源大模型教程，旨在简化国内外开源大模型（如ChatGLM、LLaMA、InternLM等）的部署、使用和微调流程。项目提供了详细的环境配置指南、多种主流大模型的部署方法、高效微调技术（包括全参数微调和LoRA微调）以及应用指导（如命令行调用、在线Demo部署等）。适合希望低成本长期使用大模型的学生、研究者及开发者，尤其适用于初学者快速上手并深入理解大模型的应用与开发。",2,"2026-06-11 03:42:58","high_star"]