开源大模型食用指南
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。
本项目的主要内容包括：
- 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；
- 针对国内外主流开源 LLM 的部署使用教程，包括 LLaMA、ChatGLM、InternLM 等；
- 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；
- 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。
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。
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。
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。
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 。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。
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，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。
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课程。
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 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。
项目意义
什么是大模型？
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。
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。
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。
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。
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。
项目受众
本项目适合以下学习者：
- 想要使用或体验 LLM，但无条件获得或使用相关 API；
- 希望长期、低成本、大量应用 LLM；
- 对开源 LLM 感兴趣，想要亲自上手开源 LLM；
- NLP 在学，希望进一步学习 LLM；
- 希望结合开源 LLM，打造领域特色的私域 LLM；
- 以及最广大、最普通的学生群体。
项目规划及进展
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：
Example 系列
Chat-嬛嬛： 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。
Tianji-天机：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。
AMChat: 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。
数字生命: 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。
已支持模型
✨ 已支持 50+ 主流大语言模型 ✨
每个模型都提供完整的部署、微调和使用教程
📖 查看完整模型列表和教程 |
🎯 快速开始
AMD GPU 专区
🚀 AMD GPU 平台已支持模型
每个模型都提供完整的 ROCm 环境配置与部署教程（LM Studio / vLLM / Ollama / llama.cpp）
感谢 AMD University Program（AMD 大学计划）对本项目的支持
📖 查看完整 AMD 平台模型列表和教程
📘 进阶学习推荐：hello-rocm（Datawhale ROCm 部署 / 微调 / 基础设施完整教程）
• 谷歌 Gemma4
• ROCm 7 环境准备
• LM Studio / vLLM / Ollama / llama.cpp
|
• Qwen3.5
• ROCm 7 环境准备
• LM Studio / vLLM / Ollama / llama.cpp
|
昇腾Ascend NPU 专区
🚀 昇腾Ascend NPU 平台已支持模型
每个模型都提供完整的昇腾Ascend NPU 环境配置和部署教程
📖 查看完整昇腾 NPU 平台模型列表和教程
• Qwen3.6
• vLLM-ascend 部署调用
|
• Qwen3
• Ascend NPU 环境配置通用指南
• MindIE 服务化部署调用
• vLLM-ascend 部署调用
• sglang-ascend 部署调用
|
• 大模型服务化性能和精度测试
• AISBench 测试工具环境配置
• 昇腾大模型服务化性能测试
• 昇腾大模型服务化精度测试
|
沐曦专区
Coming Soon!
Apple M 专区
📖 点击跳转 Apple M 专区
- 🚀 即将支持更多平台（Apple M 系列已有设备测试），敬请期待！
- 🤝 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
- 🌟 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！
致谢
核心贡献者
- 宋志学(不要葱姜蒜)-项目负责人 （Datawhale成员）
- 邹雨衡-项目负责人 （Datawhale成员-对外经济贸易大学）
- 刘十一-Ascend专区负责人（Datawhale成员-鲸英助教）
- 姜舒凡（内容创作者-Datawhale成员）
- 郭宣伯（内容创作者-北京航空航天大学）
- 林泽毅（内容创作者-SwanLab产品负责人）
- 林恒宇（内容创作者-广东东软学院-鲸英助教）
- 王泽宇（内容创作者-太原理工大学-鲸英助教）
- 郭志航（内容创作者）
- 陈榆（内容创作者-谷歌开发者机器学习技术专家）
- 肖鸿儒 （Datawhale成员-同济大学）
- 张帆（内容创作者-Datawhale成员）
- 李娇娇 （Datawhale成员）
- 高立业（内容创作者-DataWhale成员）
- Kailigithub （Datawhale成员）
- 丁悦 （Datawhale-鲸英助教）
- 谢好冉（内容创作者-鲸英助教）
- 惠佳豪 （Datawhale-宣传大使）
- 王茂霖（内容创作者-Datawhale成员）
- 孙健壮（内容创作者-对外经济贸易大学）
- 郑皓桦 （内容创作者）
- 荞麦（内容创作者-Datawhale成员）
- 骆秀韬（内容创作者-Datawhale成员-似然实验室）
- 李柯辰 （Datawhale成员）
- 程宏（内容创作者-Datawhale意向成员）
- 李秀奇（内容创作者-DataWhale意向成员）
- 余洋（内容创作者-安徽理工大学副教授-Datawhale成员）
- 陈思州 （Datawhale成员）
- 颜鑫 （Datawhale成员）
- 杜森（内容创作者-Datawhale成员-南阳理工学院）
- 散步 （Datawhale成员）
- 郑远婧（内容创作者-鲸英助教-福州大学）
- Swiftie （小米NLP算法工程师）
- 张友东（内容创作者-Datawhale成员）
- 张晋（内容创作者-Datawhale成员）
- 娄天奥（内容创作者-中国科学院大学-鲸英助教）
- 小罗 （内容创作者-Datawhale成员）
- 邓恺俊（内容创作者-Datawhale成员）
- 赵文恺（内容创作者-太原理工大学-鲸英助教）
- 王熠明（内容创作者-Datawhale成员）
- 黄柏特（内容创作者-西安电子科技大学）
- 左春生（内容创作者-Datawhale成员）
- 杨卓（内容创作者-西安电子科技大学-鲸英助教）
- 付志远（内容创作者-海南大学）
- 三水（内容创作者-鲸英助教）
- 樊奇（内容创作者-上海交通大学）
- 陈辅元（内容创作者-Datawhale成员）
- 谭逸珂（内容创作者-对外经济贸易大学）
- 何至轩（内容创作者-鲸英助教）
- 康婧淇（内容创作者-Datawhale成员）
- 杨晨旭（内容创作者-太原理工大学-鲸英助教）
- 赵伟（内容创作者-鲸英助教）
- 苏向标（内容创作者-广州大学-鲸英助教）
- 陈睿（内容创作者-西交利物浦大学-鲸英助教）
- 张龙斐（内容创作者-鲸英助教）
- 孙超（内容创作者-Datawhale成员）
- 卓堂越（内容创作者-鲸英助教）
- fancy（内容创作者-鲸英助教）
- 谭斐然（西安电子科技大学-鲸英助教）
注：排名根据贡献程度排序
其他
感谢 AMD University Program（AMD 大学计划）对本项目的支持
Star History
Self-llm 是一套中文教程合集，教初学者在 Linux 上配置环境、部署并微调（全参数或 LoRA）50 多个开源大语言模型和多模态模型。