[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SmartFlowAI--Llama3-Tutorial":3,"tool-SmartFlowAI--Llama3-Tutorial":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":78,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":101,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":105},3793,"SmartFlowAI\u002FLlama3-Tutorial","Llama3-Tutorial","Llama3-Tutorial（XTuner、LMDeploy、OpenCompass）","Llama3-Tutorial 是一套专为 Llama 3 模型打造的全链路实战教程，旨在帮助用户从零掌握大模型的微调、量化部署及能力评测。它有效解决了开发者在面对复杂大模型技术栈时，缺乏系统化指导、环境配置困难以及工具链整合门槛高等痛点。\n\n本教程特别适合希望深入理解大模型应用落地的开发者、研究人员及技术爱好者。通过六节精心设计的课程，用户不仅能学会如何在本地部署 Web Demo，还能利用 XTuner 进行个性化助手认知微调及多模态（图片理解）能力增强；借助 LMDeploy 实现高效量化部署，并通过 OpenCompass 对模型性能进行科学评估。此外，课程还涵盖了 Agent 智能体能力的体验与微调。\n\n其独特亮点在于基于“书生·浦语”成熟工具链，提供了从 InternStudio 到 AutoDL 的多平台详细文档与配套视频，将理论知识与工程实践紧密结合。无论是想快速上手的初学者，还是寻求高效工作流的资深工程师，都能通过 Llama3-Tutorial 轻松构建属于自己的 Llama 3 应用。","# Llama3-Tutorial（Llama 3 超级课堂）\r\n\r\n带大家熟悉 Llama 3 微调、量化部署、评测全链路（基于书生·浦语大模型工具链）\r\n\r\n\u003Cdiv align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_dda887e77e43.png\" alt=\"image\" width=\"614\">\r\n\u003C\u002Fdiv>\r\n\r\n\u003C\u002Fbr>\r\n\u003C\u002Fbr>\r\n\r\n\u003Cdiv align='center'>\r\n\r\n| 课程   | 内容                                        | 资料                                |\r\n| ------ | ------------------------------------------- | ----------------------------------- |\r\n| 前置知识 | VScode 远程连接开发机                        |  [InternStudio 文档](.\u002Fdocs\u002Fenv.md)，[autodl文档](.\u002Fdocs_autodl\u002Fenv.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Qi42117mb) |\r\n| 第一节 | Llama 3 本地 Web Demo 部署                  | [InternStudio 文档](.\u002Fdocs\u002Fhello_world.md)，[autodl文档](.\u002Fdocs_autodl\u002Fhello_world.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Fu4m1F7FA) |\r\n| 第二节 | Llama 3 微调个人小助手认知（[XTuner](https:\u002F\u002Fgithub.com\u002FinternLM\u002Fxtuner) 版）     | [InternStudio 文档](.\u002Fdocs\u002Fassistant.md)，[autodl文档](.\u002Fdocs_autodl\u002Fassistant.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Em41117RD)   |\r\n| 第三节 | Llama 3 图片理解能力微调（[XTuner](https:\u002F\u002Fgithub.com\u002FinternLM\u002Fxtuner)+LLaVA 版） | [InternStudio 文档](.\u002Fdocs\u002Fllava.md)，[autodl文档](.\u002Fdocs_autodl\u002Fllava.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV15f421S7cg)       |\r\n| 第四节 | Llama 3 高效部署实践（[LMDeploy](https:\u002F\u002Fgithub.com\u002FinternLM\u002Flmdeploy) 版）         | [InternStudio 文档](.\u002Fdocs\u002Flmdeploy.md)，[autodl文档](.\u002Fdocs_autodl\u002Flmdeploy.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1fx4y1B74B)                          |\r\n| 第五节 | Llama 3 Agent 能力体验与微调                | [InternStudio 文档](.\u002Fdocs\u002Fagent.md)，[autodl文档](.\u002Fdocs_autodl\u002Fagent.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1zi42117MP)       |\r\n| 第六节 | Llama 3 能力评测（[OpenCompass](https:\u002F\u002Fgithub.com\u002Fopen-compass\u002Fopencompass) 版）          | [InternStudio 文档](.\u002Fdocs\u002Fopencompass.md)，[autodl文档](.\u002Fdocs_autodl\u002Fopencompass.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19i42117yr)                          |\r\n\r\n\r\n\r\n\r\n\u003C\u002Fdiv>\r\n\r\n\u003Cdiv align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_424514e11f4d.png\" alt=\"image\", width=\"614\">\r\n\u003C\u002Fdiv>\r\n\r\n\r\n\r\n\r\n\u003Cdiv align=\"center\">\r\n欢迎加入 Llama 3 大讨论交流群～\r\n\u003C\u002Fdiv>\r\n\r\n\u003C\u002Fbr>\r\n\r\n\r\n\u003Cdiv align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_95bf243b7470.png\" alt=\"image\", width=\"614\">\r\n\u003C\u002Fdiv>\r\n\r\n特别感谢书生·浦语社区 A100 的算力支持，大家快给书生·浦语工具链点 Star 哟～\r\n","# Llama3 教程（Llama 3 超级课堂）\n\n带大家熟悉 Llama 3 微调、量化部署、评测全链路（基于书生·浦语大模型工具链）\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_dda887e77e43.png\" alt=\"image\" width=\"614\">\n\u003C\u002Fdiv>\n\n\u003C\u002Fbr>\n\u003C\u002Fbr>\n\n\u003Cdiv align='center'>\n\n| 课程   | 内容                                        | 资料                                |\n| ------ | ------------------------------------------- | ----------------------------------- |\n| 前置知识 | VScode 远程连接开发机                        |  [InternStudio 文档](.\u002Fdocs\u002Fenv.md)，[autodl文档](.\u002Fdocs_autodl\u002Fenv.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Qi42117mb) |\n| 第一节 | Llama 3 本地 Web Demo 部署                  | [InternStudio 文档](.\u002Fdocs\u002Fhello_world.md)，[autodl文档](.\u002Fdocs_autodl\u002Fhello_world.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Fu4m1F7FA) |\n| 第二节 | Llama 3 微调个人小助手认知（[XTuner](https:\u002F\u002Fgithub.com\u002FinternLM\u002Fxtuner) 版）     | [InternStudio 文档](.\u002Fdocs\u002Fassistant.md)，[autodl文档](.\u002Fdocs_autodl\u002Fassistant.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Em41117RD)   |\n| 第三节 | Llama 3 图片理解能力微调（[XTuner](https:\u002F\u002Fgithub.com\u002FinternLM\u002Fxtuner)+LLaVA 版） | [InternStudio 文档](.\u002Fdocs\u002Fllava.md)，[autodl文档](.\u002Fdocs_autodl\u002Fllava.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV15f421S7cg)       |\n| 第四节 | Llama 3 高效部署实践（[LMDeploy](https:\u002F\u002Fgithub.com\u002FinternLM\u002Flmdeploy) 版）         | [InternStudio 文档](.\u002Fdocs\u002Flmdeploy.md)，[autodl文档](.\u002Fdocs_autodl\u002Flmdeploy.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1fx4y1B74B)                          |\n| 第五节 | Llama 3 Agent 能力体验与微调                | [InternStudio 文档](.\u002Fdocs\u002Fagent.md)，[autodl文档](.\u002Fdocs_autodl\u002Fagent.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1zi42117MP)       |\n| 第六节 | Llama 3 能力评测（[OpenCompass](https:\u002F\u002Fgithub.com\u002Fopen-compass\u002Fopencompass) 版）          | [InternStudio 文档](.\u002Fdocs\u002Fopencompass.md)，[autodl文档](.\u002Fdocs_autodl\u002Fopencompass.md)，[视频](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19i42117yr)                          |\n\n\n\n\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_424514e11f4d.png\" alt=\"image\", width=\"614\">\n\u003C\u002Fdiv>\n\n\n\n\n\u003Cdiv align=\"center\">\n欢迎加入 Llama 3 大讨论交流群～\n\u003C\u002Fdiv>\n\n\u003C\u002Fbr>\n\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_readme_95bf243b7470.png\" alt=\"image\", width=\"614\">\n\u003C\u002Fdiv>\n\n特别感谢书生·浦语社区 A100 的算力支持，大家快给书生·浦语工具链点 Star 哟～","# Llama3-Tutorial 快速上手指南\n\n本指南基于书生·浦语大模型工具链，帮助开发者快速掌握 Llama 3 的微调、量化部署及评测全链路流程。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 20.04\u002F22.04)\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡（建议显存 ≥ 16GB，微调多模态或大参数模型建议 A100\u002FH100）\n- **Python**: 3.8 及以上版本\n\n### 前置依赖\n本项目主要依赖以下开源工具链，请确保网络通畅或使用国内镜像源：\n- **XTuner**: 用于高效微调\n- **LMDeploy**: 用于推理部署与量化\n- **OpenCompass**: 用于模型能力评测\n- **LLaVA**: 用于多模态理解任务\n\n> **提示**：推荐使用 InternStudio 或 AutoDL 等云平台开发机，已预装相关基础环境。详细环境配置文档请参考：\n> - [InternStudio 环境文档](.\u002Fdocs\u002Fenv.md)\n> - [AutoDL 环境文档](.\u002Fdocs_autodl\u002Fenv.md)\n\n## 安装步骤\n\n### 1. 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSmartFlowAI\u002FLlama3-Tutorial.git\ncd Llama3-Tutorial\n```\n\n### 2. 创建虚拟环境并安装依赖\n建议使用 Conda 管理环境，并配置国内源加速下载：\n\n```bash\nconda create -n llama3-tutorial python=3.10 -y\nconda activate llama3-tutorial\n\n# 安装 PyTorch (根据 CUDA 版本选择，此处以 CUDA 11.8 为例，使用清华源)\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n\n# 安装核心工具链 (XTuner, LMDeploy, OpenCompass 等)\n# 注意：具体版本请以各章节文档要求为准，以下为通用安装示例\npip install xtuner\npip install lmdeploy\npip install opencompass\npip install llava\n```\n\n> **注意**：不同课程章节（如微调、部署、评测）可能依赖特定版本的库，请务必在执行具体任务前查阅对应章节的 `docs` 目录下的详细文档。\n\n## 基本使用\n\n本教程采用模块化设计，以下是两个最核心的快速启动示例：\n\n### 示例一：本地 Web Demo 部署 (Hello World)\n快速体验 Llama 3 的基础对话能力。\n\n1. 进入第一节文档目录或参考脚本。\n2. 执行部署命令（以 LMDeploy 为例）：\n```bash\n# 假设已下载 Llama3-8B-Instruct 模型路径为 .\u002Fmodels\u002FLlama3-8B-Instruct\nlmdeploy serve api_server .\u002Fmodels\u002FLlama3-8B-Instruct --server-port 23333\n```\n3. 在浏览器访问 `http:\u002F\u002Flocalhost:23333` 或通过 API 进行调用。\n*详细步骤请参阅：[第一节文档](.\u002Fdocs\u002Fhello_world.md)*\n\n### 示例二：微调个人小助手 (基于 XTuner)\n将 Llama 3 微调为具备特定认知的个人助手。\n\n1. 准备数据集（JSONL 格式）。\n2. 复制并修改配置文件：\n```bash\nxtuner copy-cfg llama3_8b_instruct_full_custom_dataset .\n# 编辑生成的配置文件，指定数据路径和输出目录\n```\n3. 开始训练：\n```bash\nxtuner train .\u002Fllama3_8b_instruct_full_custom_dataset.py\n```\n4. 转换权重并测试：\n```bash\nxtuner convert merge .\u002Fmodels\u002FLlama3-8B-Instruct .\u002Fwork_dirs\u002F... .\u002Fmerged_model\n```\n*详细步骤请参阅：[第二节文档](.\u002Fdocs\u002Fassistant.md)*\n\n---\n**进阶学习**：更多功能（如多模态微调、Agent 开发、全方位评测）请依次查阅项目根目录下的 `docs` 文件夹或观看配套视频教程。","某初创团队希望基于 Llama 3 快速构建一个懂公司内部术语且能识别技术文档截图的智能客服助手。\n\n### 没有 Llama3-Tutorial 时\n- **环境搭建耗时**：开发者需手动摸索 VScode 远程连接与依赖配置，常因环境冲突浪费数天时间。\n- **微调门槛高**：缺乏 XTuner 的标准流程指导，难以将公司特有的业务认知有效注入模型，导致回答“假大空”。\n- **多模态能力缺失**：想让用户上传架构图提问，却不知如何结合 LLaVA 进行图片理解能力的微调。\n- **部署效率低下**：直接使用原始模型推理速度慢、显存占用高，缺乏 LMDeploy 量化部署经验，无法支撑高并发。\n- **效果评估盲目**：缺少 OpenCompass 等标准化评测工具，只能靠人工主观判断模型好坏，迭代方向不明确。\n\n### 使用 Llama3-Tutorial 后\n- **一键启动开发**：跟随教程快速完成 InternStudio 或 AutoDL 环境配置，当天即可运行本地 Web Demo。\n- **定制化认知注入**：利用 XTuner 轻松微调个人小助手，让模型精准掌握公司内部术语与办事流程。\n- **解锁看图能力**：通过 LLaVA 微调章节，成功赋予模型解析技术文档截图的能力，实现“图文问答”。\n- **高效生产部署**：应用 LMDeploy 实践方案，将模型量化部署，推理速度提升数倍且显存成本大幅降低。\n- **科学量化评测**：借助 OpenCompass 对微调后的模型进行全方位打分，用数据驱动模型持续优化。\n\nLlama3-Tutorial 将原本碎片化、高门槛的大模型全链路开发过程，转化为一条清晰、可落地的标准化路径，极大降低了企业落地 Llama 3 的时间与经济成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSmartFlowAI_Llama3-Tutorial_dda887e7.png","SmartFlowAI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSmartFlowAI_7159ea46.jpg","",null,"https:\u002F\u002Fgithub.com\u002FSmartFlowAI",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,511,54,"2026-03-28T03:45:26","Linux","必需。基于 InternStudio (A100) 或 AutoDL 云平台；本地部署需 NVIDIA GPU，具体显存取决于模型尺寸（7B\u002F8B 通常需 16GB+，量化后可降低），需支持 CUDA。","未说明（云端环境由实例规格决定，本地建议 32GB+）",{"notes":92,"python":93,"dependencies":94},"本教程主要基于书生·浦语大模型工具链，推荐使用 InternStudio 或 AutoDL 云平台运行以获得 A100 算力支持。涵盖微调、量化部署、评测全链路。若本地运行，需自行配置 VScode 远程连接开发机环境。","未说明",[95,96,97,98,99,100],"XTuner","LMDeploy","OpenCompass","LLaVA","PyTorch","Transformers",[26,13,15,54],"2026-03-27T02:49:30.150509","2026-04-06T05:16:28.722991",[],[]]