文档 | Torch4keras | 示例 | build_MiniLLM_from_scratch | bert4vector

目录

• 目录
• 1. 下载安装
• 2. 功能
• 3. 快速上手
  • 3.1 上手教程
  • 3.2 命令行快速部署大模型服务
• 4. 版本和更新历史
  • 4.1 版本历史
  • 4.2 更新历史
• 5. 预训练权重
  • 5.1 权重加载
  • 5.2 权重链接
• 6. 鸣谢
• 7. 引用
• 8. 其他

1. 下载安装

安装稳定版

pip install bert4torch

安装最新版

pip install git+https://github.com/Tongjilibo/bert4torch

• 注意事项：pip包的发布慢于git上的开发版本，git clone注意引用路径，注意权重是否需要转换
• 测试用例：git clone https://github.com/Tongjilibo/bert4torch，修改example中的预训练模型文件路径和数据路径即可启动脚本
• 自行训练：针对自己的数据，修改相应的数据处理代码块
• 开发环境：原使用 torch==1.10版本进行开发，现已切换到 torch2.0开发，如其他版本遇到不适配，欢迎反馈

2. 功能

• LLM模型: 加载chatglm、llama、 baichuan、ziya、bloom等开源大模型权重进行推理和微调，命令行一行部署大模型

• 核心功能：加载bert、roberta、albert、xlnet、nezha、bart、RoFormer、RoFormer_V2、ELECTRA、GPT、GPT2、T5、GAU-alpha、ERNIE等预训练权重继续进行finetune、并支持在bert基础上灵活定义自己模型

• 丰富示例：包含llm、pretrain、sentence_classfication、sentence_embedding、sequence_labeling、relation_extraction、seq2seq、serving等多种解决方案

• 实验验证：已在公开数据集实验验证，使用如下examples数据集和实验指标

• 易用trick：集成了常见的trick，即插即用

• 其他特性：加载transformers库模型一起使用；调用方式简洁高效；有训练进度条动态展示；配合torchinfo打印参数量；默认Logger和Tensorboard简便记录训练过程；自定义fit过程，满足高阶需求

• 训练过程：

  

功能	bert4torch	transformers	备注
训练进度条	✅	✅	进度条打印loss和定义的metrics
分布式训练dp/ddp	✅	✅	torch自带dp/ddp
各类callbacks	✅	✅	日志/tensorboard/earlystop/wandb等
大模型推理，stream/batch输出	✅	✅	各个模型是通用的，无需单独维护脚本
大模型微调	✅	✅	lora依赖peft库，pv2自带
丰富tricks	✅	❌	对抗训练等tricks即插即用
代码简洁易懂，自定义空间大	✅	❌	代码复用度高, keras代码训练风格
仓库的维护能力/影响力/使用量/兼容性	❌	✅	目前仓库个人维护
一键部署大模型

3. 快速上手

3.1 上手教程

• Quick-Start
• 快速上手教程，教程示例，实战示例
• bert4torch介绍(知乎)，bert4torch快速上手(知乎)，bert4torch又双叒叕更新啦(知乎)

3.2 命令行快速部署大模型服务

• 本地 / 联网加载

  # 联网下载全部文件
  bert4torch serve --checkpoint_path Qwen2-0.5B-Instruct
  
  # 加载本地大模型，联网下载bert4torch_config.json
  bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct --config_path Qwen/Qwen2-0.5B-Instruct
  
  # 加载本地大模型，且bert4torch_config.json已经下载并放于同名目录下
  bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct
  

• 命令行 / gradio网页 / openai_api

  # 命令行
  bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct --mode cli
  
  # gradio网页
  bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct --mode gradio
  
  # openai_api
  bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct --mode openai
  

• 命令行聊天示例

4. 版本和更新历史

4.1 版本历史

更新日期	bert4torch	torch4keras	版本说明
20260114	0.6.1	0.3.3	增加paddleocr-vl，优化代码结构，去除硬代码模型配置项
20250925	0.6.0	0.3.2	增加 Qwen3-moe, 支持 gptq、awq等主流量化方式，其他代码优化
20250721	0.5.9.post2	0.3.1	增加 Ernie4_5, 修复hub下载bug, 拆分出 openai_client

更多版本

4.2 更新历史

更多历史

5. 预训练权重

5.1 权重加载

from bert4torch.models import build_transformer_model

# 1. 仅指定config_path: 从头初始化模型结构, 不加载预训练模型
model = build_transformer_model('./model/bert4torch_config.json')

# 2. 仅指定checkpoint_path: 
## 2.1 文件夹路径: 自动寻找路径下的*.bin/*.safetensors权重文件 + 需把bert4torch_config.json下载并放于该目录下
model = build_transformer_model(checkpoint_path='./model')

## 2.2 文件路径/列表: 文件路径即权重路径/列表, bert4torch_config.json会从同级目录下寻找
model = build_transformer_model(checkpoint_path='./pytorch_model.bin')

## 2.3 model_name: hf上预训练权重名称, 会自动下载hf权重以及bert4torch_config.json文件
model = build_transformer_model(checkpoint_path='google-bert/bert-base-chinese')

# 3. 同时指定config_path和checkpoint_path(本地路径名或model_name排列组合): 
#    本地路径从本地加载，pretrained_model_name会联网下载
config_path = './model/bert4torch_config.json'  # 或'google-bert/bert-base-chinese'
checkpoint_path = './model/pytorch_model.bin'  # 或'google-bert/bert-base-chinese'
model = build_transformer_model(config_path, checkpoint_path)

5.2 权重链接

模型分类	模型名称	权重来源	checkpoint_path	config_path
bert	bert-base-chinese	google-bert	google-bert/bert-base-chinese 🤗	🤗
	chinese_L-12_H-768_A-12	谷歌	tf权重 Tongjilibo/bert-chinese_L-12_H-768_A-12 🤗
	chinese-bert-wwm-ext	HFL	hfl/chinese-bert-wwm-ext 🤗	🤗
	bert-base-multilingual-cased	google-bert	google-bert/bert-base-multilingual-cased 🤗	🤗
	bert-base-cased	google-bert	google-bert/bert-base-cased 🤗	🤗
	bert-base-uncased	google-bert	google-bert/bert-base-uncased 🤗	🤗
	MacBERT	HFL	hfl/chinese-macbert-base 🤗 hfl/chinese-macbert-large 🤗	🤗 🤗
	WoBERT	追一科技	junnyu/wobert_chinese_base 🤗 junnyu/wobert_chinese_plus_base 🤗	🤗 🤗
roberta	chinese-roberta-wwm-ext	HFL	hfl/chinese-roberta-wwm-ext 🤗 hfl/chinese-roberta-wwm-ext-large 🤗 (large的mlm权重是随机初始化)	🤗 🤗
	roberta-small/tiny	追一科技	Tongjilibo/chinese_roberta_L-4_H-312_A-12 🤗 Tongjilibo/chinese_roberta_L-6_H-384_A-12 🤗
	roberta-base	FacebookAI	FacebookAI/roberta-base 🤗	🤗
	guwenbert	ethanyt	ethanyt/guwenbert-base 🤗	🤗
albert	albert_zh albert_pytorch	brightmart	voidful/albert_chinese_tiny 🤗 voidful/albert_chinese_small 🤗 voidful/albert_chinese_base 🤗 voidful/albert_chinese_large 🤗 voidful/albert_chinese_xlarge 🤗 voidful/albert_chinese_xxlarge 🤗	🤗 🤗 🤗 🤗 🤗 🤗
nezha	NEZHA NeZha_Chinese_PyTorch	huawei_noah	sijunhe/nezha-cn-base 🤗 sijunhe/nezha-cn-large 🤗 sijunhe/nezha-base-wwm 🤗 sijunhe/nezha-large-wwm 🤗	🤗 🤗 🤗 🤗
	nezha_gpt_dialog	bojone	Tongjilibo/nezha_gpt_dialog 🤗
xlnet	Chinese-XLNet	HFL	hfl/chinese-xlnet-base 🤗	🤗
	tranformer_xl	huggingface	transfo-xl/transfo-xl-wt103 🤗	🤗
deberta	Erlangshen-DeBERTa-v2	IDEA	IDEA-CCNL/Erlangshen-DeBERTa-v2-97M-Chinese 🤗 IDEA-CCNL/Erlangshen-DeBERTa-v2-320M-Chinese 🤗 IDEA-CCNL/Erlangshen-DeBERTa-v2-710M-Chinese 🤗	🤗 🤗 🤗
electra	Chinese-ELECTRA	HFL	hfl/chinese-electra-base-discriminator 🤗	🤗
ernie	ernie	百度文心	nghuyong/ernie-1.0-base-zh 🤗 nghuyong/ernie-3.0-base-zh 🤗	🤗 🤗
roformer	roformer	追一科技	junnyu/roformer_chinese_base 🤗	🤗
	roformer_v2	追一科技	junnyu/roformer_v2_chinese_char_base 🤗	🤗
simbert	simbert	追一科技	Tongjilibo/simbert-chinese-base 🤗 Tongjilibo/simbert-chinese-small 🤗 Tongjilibo/simbert-chinese-tiny 🤗
	simbert_v2/roformer-sim	追一科技	junnyu/roformer_chinese_sim_char_base 🤗 junnyu/roformer_chinese_sim_char_ft_base 🤗 junnyu/roformer_chinese_sim_char_small 🤗 junnyu/roformer_chinese_sim_char_ft_small 🤗	🤗 🤗 🤗 🤗
gau	GAU-alpha	追一科技	Tongjilibo/chinese_GAU-alpha-char_L-24_H-768 🤗
ModernBERT	ModernBERT	answerdotai	answerdotai/ModernBERT-base 🤗 answerdotai/ModernBERT-large 🤗	🤗 🤗
uie	uie uie_pytorch	百度	Tongjilibo/uie-base 🤗
gpt	CDial-GPT	thu-coai	thu-coai/CDial-GPT_LCCC-base 🤗 thu-coai/CDial-GPT_LCCC-large 🤗	🤗 🤗
	cmp_lm(26亿)	清华	TsinghuaAI/CPM-Generate 🤗	🤗
	nezha_gen	huawei_noah	Tongjilibo/chinese_nezha_gpt_L-12_H-768_A-12 🤗
	gpt2-chinese-cluecorpussmall	UER	uer/gpt2-chinese-cluecorpussmall 🤗	🤗
	gpt2-ml	imcaspar	Tongjilibo/gpt2-ml_15g_corpus 🤗 Tongjilibo/gpt2-ml_30g_corpus 🤗 torch,BaiduYun(84dh)
bart	bart_base_chinese	复旦fnlp	fnlp/bart-base-chinese 🤗 fnlp/bart-base-chinese-v1.0	🤗 🤗
t5	t5	UER	uer/t5-small-chinese-cluecorpussmall 🤗 uer/t5-base-chinese-cluecorpussmall 🤗	🤗 🤗
	mt5	谷歌	google/mt5-base 🤗	🤗
	t5_pegasus	追一科技	Tongjilibo/chinese_t5_pegasus_small 🤗 Tongjilibo/chinese_t5_pegasus_base 🤗
	chatyuan	clue-ai	ClueAI/ChatYuan-large-v1 🤗 ClueAI/ChatYuan-large-v2 🤗	🤗 🤗
	PromptCLUE	clue-ai	ClueAI/PromptCLUE-base 🤗	🤗
chatglm	ChatGLM-6B	zai-org	zai-org/chatglm-6b 🤗 zai-org/chatglm-6b-int8 🤗 zai-org/chatglm-6b-int4 🤗 zai-org/chatglm-6b-v0.1.0🤗	🤗 🤗 🤗 🤗
	ChatGLM2-6B	zai-org	zai-org/chatglm2-6b 🤗 zai-org/chatglm2-6b-int4 🤗 zai-org/chatglm2-6b-32k 🤗	🤗 🤗 🤗
	ChatGLM3	zai-org	zai-org/chatglm3-6b 🤗 zai-org/chatglm3-6b-32k 🤗	🤗 🤗
	GLM-4	zai-org	zai-org/glm-4-9b 🤗 zai-org/glm-4-9b-chat 🤗 zai-org/glm-4-9b-chat-1m 🤗 zai-org/glm-4v-9b 🤗 zai-org/GLM-4-9B-0414 🤗 zai-org/GLM-Z1-9B-0414 🤗	🤗 🤗 🤗 🤗
llama	llama	meta	meta-llama/llama-7b meta-llama/llama-13b	🤗 🤗
	llama-2	meta	meta-llama/Llama-2-7b-hf🤗 meta-llama/Llama-2-7b-chat-hf🤗 meta-llama/Llama-2-13b-hf🤗 meta-llama/Llama-2-13b-chat-hf🤗	🤗 🤗 🤗 🤗
	llama-3	meta	meta-llama/Meta-Llama-3-8B 🤗 meta-llama/Meta-Llama-3-8B-Instruct 🤗	🤗 🤗
	llama-3.1	meta	meta-llama/Meta-Llama-3.1-8B 🤗 meta-llama/Meta-Llama-3.1-8B-Instruct 🤗	🤗 🤗
	llama-3.2	meta	meta-llama/Llama-3.2-1B 🤗 meta-llama/Llama-3.2-1B-Instruct 🤗 meta-llama/Llama-3.2-3B 🤗 meta-llama/Llama-3.2-3B-Instruct 🤗	🤗 🤗 🤗 🤗
	llama-3.2-vision	meta	meta-llama/Llama-3.2-11B-Vision 🤗 meta-llama/Llama-3.2-11B-Vision-Instruct 🤗	🤗 🤗
llama-series	Chinese-LLaMA-Alpaca	HFL	hfl/chinese-alpaca-plus-lora-7b 🤗 hfl/chinese-llama-plus-lora-7b 🤗 (使用前需要合并lora权重)	🤗 🤗
	Chinese-LLaMA-Alpaca-2	HFL		待添加
	Chinese-LLaMA-Alpaca-3	HFL		待添加
	Belle_llama	LianjiaTech	BelleGroup/BELLE-LLaMA-7B-2M-enc🤗	合成说明、🤗
	Ziya	IDEA-CCNL	IDEA-CCNL/Ziya-LLaMA-13B-v1🤗 IDEA-CCNL/Ziya-LLaMA-13B-v1.1🤗 IDEA-CCNL/Ziya-LLaMA-13B-Pretrain-v1🤗	🤗 🤗
	vicuna	lmsys	lmsys/vicuna-7b-v1.5 🤗	🤗
Baichuan	Baichuan	baichuan-inc	baichuan-inc/Baichuan-7B 🤗 baichuan-inc/Baichuan-13B-Base 🤗 baichuan-inc/Baichuan-13B-Chat 🤗	🤗 🤗 🤗
	Baichuan2	baichuan-inc	baichuan-inc/Baichuan2-7B-Base 🤗 baichuan-inc/Baichuan2-7B-Chat 🤗 baichuan-inc/Baichuan2-13B-Base 🤗 baichuan-inc/Baichuan2-13B-Chat 🤗	🤗 🤗 🤗 🤗
Yi	Yi	01-ai	01-ai/Yi-6B 🤗 01-ai/Yi-6B-200K 🤗 01-ai/Yi-9B 🤗 01-ai/Yi-9B-200K 🤗	🤗 🤗 🤗 🤗
	Yi-1.5	01-ai	01-ai/Yi-1.5-6B 🤗 01-ai/Yi-1.5-6B-Chat 🤗 01-ai/Yi-1.5-9B 🤗 01-ai/Yi-1.5-9B-32K 🤗 01-ai/Yi-1.5-9B-Chat 🤗 01-ai/Yi-1.5-9B-Chat-16K 🤗	🤗 🤗 🤗 🤗 🤗 🤗
bloom	bloom	bigscience	bigscience/bloom-560m 🤗 bigscience/bloomz-560m 🤗	🤗 🤗
Qwen	Qwen	阿里云	Qwen/Qwen-1_8B 🤗 Qwen/Qwen-1_8B-Chat 🤗 Qwen/Qwen-7B 🤗 Qwen/Qwen-7B-Chat 🤗 Qwen/Qwen-14B 🤗 Qwen/Qwen-14B-Chat 🤗	🤗 🤗 🤗 🤗 🤗 🤗
	Qwen1.5	阿里云	Qwen/Qwen1.5-0.5B 🤗 Qwen/Qwen1.5-0.5B-Chat 🤗 Qwen/Qwen1.5-1.8B 🤗 Qwen/Qwen1.5-1.8B-Chat 🤗 Qwen/Qwen1.5-7B 🤗 Qwen/Qwen1.5-7B-Chat 🤗 Qwen/Qwen1.5-14B 🤗 Qwen/Qwen1.5-14B-Chat 🤗	🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗
	Qwen2	阿里云	Qwen/Qwen2-0.5B 🤗 Qwen/Qwen2-0.5B-Instruct 🤗 Qwen/Qwen2-1.5B 🤗 Qwen/Qwen2-1.5B-Instruct 🤗 Qwen/Qwen2-7B 🤗 Qwen/Qwen2-7B-Instruct 🤗	🤗 🤗 🤗 🤗 🤗 🤗
	Qwen2-VL	阿里云	Qwen/Qwen2-VL-2B-Instruct 🤗 Qwen/Qwen2-VL-7B-Instruct 🤗	🤗 🤗
	Qwen2.5	阿里云	Qwen/Qwen2.5-0.5B 🤗 Qwen/Qwen2.5-0.5B-Instruct 🤗 Qwen/Qwen2.5-1.5B 🤗 Qwen/Qwen2.5-1.5B-Instruct 🤗 Qwen/Qwen2.5-3B 🤗 Qwen/Qwen2.5-3B-Instruct 🤗 Qwen/Qwen2.5-7B 🤗 Qwen/Qwen2.5-7B-Instruct 🤗 Qwen/Qwen2.5-14B 🤗 Qwen/Qwen2.5-14B-Instruct 🤗	🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗
	Qwen2.5-VL	阿里云	Qwen/Qwen2.5-VL-3B-Instruct 🤗 Qwen/Qwen2.5-VL-7B-Instruct 🤗 Qwen/Qwen2.5-VL-32B-Instruct 🤗	🤗 🤗 🤗
	Qwen3	阿里云	Qwen/Qwen3-0.6B-Base 🤗 Qwen/Qwen3-0.6B 🤗 Qwen/Qwen3-0.6B-GPTQ-Int8 🤗 Qwen/Qwen3-1.7B-Base 🤗 Qwen/Qwen3-1.7B 🤗 Qwen/Qwen3-4B-Base 🤗 Qwen/Qwen3-4B 🤗 Qwen/Qwen3-4B-AWQ 🤗 Qwen/Qwen3-8B-Base 🤗 Qwen/Qwen3-8B 🤗 Qwen/Qwen3-14B-Base 🤗 Qwen/Qwen3-14B 🤗 Qwen/Qwen3-32B 🤗 Qwen/Qwen3-4B-Instruct-2507 🤗 Qwen/Qwen3-4B-Thinking-2507 🤗 Qwen/Qwen3-30B-A3B-Instruct-2507 🤗 Qwen/Qwen3-30B-A3B-Thinking-2507 🤗	🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗
	Qwen3-VL	阿里云	Qwen/Qwen3-VL-2B-Instruct 🤗 Qwen/Qwen3-VL-2B-Thinking 🤗 Qwen/Qwen3-VL-4B-Instruct 🤗 Qwen/Qwen3-VL-4B-Thinking 🤗 Qwen/Qwen3-VL-8B-Instruct 🤗 Qwen/Qwen3-VL-8B-Thinking 🤗 Qwen/Qwen3-VL-30B-A3B-Instruct 🤗 Qwen/Qwen3-VL-30B-A3B-Thinking 🤗 Qwen/Qwen3-VL-32B-Instruct 🤗 Qwen/Qwen3-VL-32B-Thinking 🤗	🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗 🤗
	Qwen3-Embedding	阿里云	Qwen/Qwen3-Embedding-0.6B 🤗 Qwen/Qwen3-Embedding-4B 🤗 Qwen/Qwen3-Embedding-8B 🤗	🤗 🤗 🤗
	Qwen3-Reranker	阿里云	Qwen/Qwen3-Reranker-0.6B 🤗 Qwen/Qwen3-Reranker-4B 🤗 Qwen/Qwen3-Reranker-8B 🤗	🤗 🤗 🤗
Intern	InternLM	上海人工智能实验室	internlm/internlm-7b 🤗 internlm/internlm-chat-7b 🤗	🤗 🤗
	InternLM2	上海人工智能实验室	internlm/internlm2-1_8b 🤗 internlm/internlm2-chat-1_8b 🤗 internlm/internlm2-7b 🤗 internlm/internlm2-chat-7b 🤗 internlm/internlm2-20b 🤗 internlm/internlm2-chat-20b 🤗	🤗 🤗 🤗 🤗
	InternLM2.5	上海人工智能实验室	internlm/internlm2_5-7b 🤗 internlm/internlm2_5-7b-chat 🤗 internlm/internlm2_5-7b-chat-1m 🤗	🤗 🤗 🤗
	InternLM3	上海人工智能实验室	internlm/internlm3-8b-instruct 🤗	🤗
	InternVL1.0-1.5	上海人工智能实验室	OpenGVLab/Mini-InternVL-Chat-4B-V1-5 🤗 OpenGVLab/Mini-InternVL-Chat-2B-V1-5 🤗	待添加
	InternVL2.0	上海人工智能实验室	OpenGVLab/InternVL2-1B 🤗 OpenGVLab/InternVL2-2B 🤗 OpenGVLab/InternVL2-4B 🤗 OpenGVLab/InternVL2-8B 🤗	待添加
	InternVL2.5	上海人工智能实验室	OpenGVLab/InternVL2_5-1B 🤗 OpenGVLab/InternVL2_5-2B 🤗 OpenGVLab/InternVL2_5-4B 🤗 OpenGVLab/InternVL2_5-8B 🤗	🤗 待添加 待添加 待添加
Falcon	Falcon	tiiuae	tiiuae/falcon-rw-1b 🤗 tiiuae/falcon-7b 🤗 tiiuae/falcon-7b-instruct 🤗	🤗 🤗 🤗
DeepSeek	DeepSeek-MoE	深度求索	deepseek-ai/deepseek-moe-16b-base 🤗 deepseek-ai/deepseek-moe-16b-chat 🤗	🤗 🤗
	DeepSeek-LLM	深度求索	deepseek-ai/deepseek-llm-7b-base 🤗 deepseek-ai/deepseek-llm-7b-chat 🤗	🤗 🤗
	DeepSeek-V2	深度求索	deepseek-ai/DeepSeek-V2-Lite 🤗 deepseek-ai/DeepSeek-V2-Lite-Chat 🤗	🤗 🤗
	DeepSeek-Coder	深度求索	deepseek-ai/deepseek-coder-1.3b-base 🤗 deepseek-ai/deepseek-coder-1.3b-instruct 🤗 deepseek-ai/deepseek-coder-6.7b-base 🤗 deepseek-ai/deepseek-coder-6.7b-instruct 🤗 deepseek-ai/deepseek-coder-7b-base-v1.5 🤗 deepseek-ai/deepseek-coder-7b-instruct-v1.5 🤗	🤗 🤗 🤗 🤗 🤗 🤗
	DeepSeek-Coder-V2	深度求索	deepseek-ai/DeepSeek-Coder-V2-Lite-Base 🤗 deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct 🤗	🤗 🤗
	DeepSeek-Math	深度求索	deepseek-ai/deepseek-math-7b-base 🤗 deepseek-ai/deepseek-math-7b-instruct 🤗 deepseek-ai/deepseek-math-7b-rl 🤗	🤗 🤗 🤗
	DeepSeek-R1	深度求索	deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B 🤗 deepseek-ai/DeepSeek-R1-Distill-Qwen-7B 🤗 deepseek-ai/DeepSeek-R1-Distill-Llama-8B 🤗 deepseek-ai/DeepSeek-R1-Distill-Qwen-14B 🤗 deepseek-ai/DeepSeek-R1-Distill-Qwen-32B 🤗 deepseek-ai/DeepSeek-R1-0528-Qwen3-8B 🤗	🤗 🤗 🤗 🤗 🤗 🤗
Seed-OSS	Seed-OSS	ByteDance	ByteDance-Seed/Seed-OSS-36B-Instruct 🤗 ByteDance-Seed/Seed-OSS-36B-Base 🤗 ByteDance-Seed/Seed-OSS-36B-Base-woSyn 🤗
Ernie4_5	Ernie4_5	百度	baidu/ERNIE-4.5-0.3B-Base-PT 🤗 baidu/ERNIE-4.5-0.3B-PT 🤗 baidu/ERNIE-4.5-21B-A3B-Base-PT 🤗 baidu/ERNIE-4.5-21B-A3B-PT 🤗 baidu/ERNIE-4.5-VL-28B-A3B-Base-PT 🤗 baidu/ERNIE-4.5-VL-28B-A3B-PT 🤗	🤗 🤗
PaddleOCR	PaddleOCR-VL	百度	PaddlePaddle/PaddleOCR-VL 🤗	🤗
	PaddleOCR-VL-1.5	百度	PaddlePaddle/PaddleOCR-VL-1.5 🤗	🤗
MiniCPM	MiniCPM	OpenBMB	openbmb/MiniCPM-2B-sft-bf16 🤗 openbmb/MiniCPM-2B-dpo-bf16 🤗 openbmb/MiniCPM-2B-128k 🤗 openbmb/MiniCPM-1B-sft-bf16 🤗 openbmb/MiniCPM3-4B 🤗 openbmb/MiniCPM4-0.5B 🤗 openbmb/MiniCPM4-8B 🤗	🤗 🤗 🤗 🤗 待添加 待添加 待添加
	MiniCPM-o	OpenBMB	openbmb/MiniCPM-Llama3-V-2_5 🤗 openbmb/MiniCPM-V-2_6 🤗 openbmb/MiniCPM-o-2_6 🤗 openbmb/MiniCPM-V-4 🤗	🤗 🤗 待添加 待添加
embedding	text2vec-base-chinese	shibing624	shibing624/text2vec-base-chinese 🤗	🤗
	m3e	moka-ai	moka-ai/m3e-base 🤗	🤗
	bge	BAAI	BAAI/bge-large-en-v1.5 🤗 BAAI/bge-large-zh-v1.5 🤗 BAAI/bge-base-en-v1.5 🤗 BAAI/bge-base-zh-v1.5 🤗 BAAI/bge-small-en-v1.5 🤗 BAAI/bge-small-zh-v1.5 🤗	🤗 🤗 🤗 🤗 🤗 🤗
	gte	thenlper	thenlper/gte-large-zh 🤗 thenlper/gte-base-zh 🤗	🤗 🤗

*注：

1. 高亮格式(如 bert-base-chinese)的表示可直接 build_transformer_model()联网下载

2. 国内镜像网站加速下载

   • HF_ENDPOINT=https://hf-mirror.com python your_script.py
   • export HF_ENDPOINT=https://hf-mirror.com后再执行python代码
   • 在python代码开头如下设置

   import os
   os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"
   

6. 致谢

• 感谢苏神实现的bert4keras，本实现有不少地方参考了bert4keras的源码，在此衷心感谢大佬的无私奉献;
• 其次感谢项目bert4pytorch，也是在该项目的指引下给了我用pytorch来复现bert4keras的想法和思路。

7. 引用

@misc{bert4torch,
  title={bert4torch},
  author={Bo Li},
  year={2022},
  howpublished={\url{https://github.com/Tongjilibo/bert4torch}},
}

8. 其他

• 微信及星标历史图
• 微信群人数超过200人（有邀请限制），可添加个人微信拉群，备注：bert4torch-姓名-公司名

微信号

微信群

星标历史图

bert4torch 快速上手指南

bert4torch 是一个基于 PyTorch 的轻量级 NLP 框架，兼容 Keras 风格的训练流程。它支持加载 BERT、RoBERTa、LLaMA、ChatGLM 等多种预训练模型，提供从微调到大模型推理部署的一站式解决方案。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：建议 Python 3.8+
• 核心依赖：
  • torch >= 2.0 (推荐，已适配 torch2.0；原基于 1.10 开发)
  • transformers (可选，用于加载 HuggingFace 模型)
• 硬件建议：若进行大模型推理或微调，建议使用支持 CUDA 的 NVIDIA GPU。

2. 安装步骤

您可以通过 pip 直接安装稳定版，或从 GitHub 安装最新开发版。

安装稳定版

pip install bert4torch

安装最新版（推荐）

由于 PyPI 包更新可能滞后，建议直接从 GitHub 安装以获取最新模型支持（如 Qwen3, Ernie4_5 等）：

pip install git+https://github.com/Tongjilibo/bert4torch

注意：若使用 git clone 方式自行开发，请注意引用路径及权重文件格式是否需要转换。

3. 基本使用

bert4torch 的核心优势在于统一的模型加载接口和简洁的训练流程。

3.1 加载预训练模型

使用 build_transformer_model 即可加载各类模型。支持本地路径加载或自动从 HuggingFace 下载。

from bert4torch.models import build_transformer_model

# 场景 1: 自动从 HuggingFace 下载并加载 (例如中文 BERT)
# 会自动下载权重文件和 bert4torch_config.json 配置
model = build_transformer_model(checkpoint_path='google-bert/bert-base-chinese')

# 场景 2: 加载本地模型文件夹
# 需确保文件夹下包含 *.bin/*.safetensors 权重文件及 bert4torch_config.json
model = build_transformer_model(checkpoint_path='./model/my_bert_ckpt')

# 场景 3: 仅初始化模型结构 (不加载权重，用于从头训练)
model = build_transformer_model('./model/bert4torch_config.json')

3.2 命令行一键部署大模型

无需编写额外代码，直接使用命令行即可启动大模型服务（支持 ChatGLM, LLaMA, Qwen 等）。

启动 Gradio 网页界面进行对话：

# 自动联网下载模型并启动 Web UI
bert4torch serve --checkpoint_path Qwen2-0.5B-Instruct --mode gradio

# 或使用本地已下载的模型路径
bert4torch serve --checkpoint_path /data/pretrain_ckpt/Qwen/Qwen2-0.5B-Instruct --mode gradio

启动 OpenAI 兼容 API 服务：

bert4torch serve --checkpoint_path Qwen2-0.5B-Instruct --mode openai

终端命令行交互模式：

bert4torch serve --checkpoint_path Qwen2-0.5B-Instruct --mode cli

3.3 模型微调 (Finetune) 简述

框架采用类似 Keras 的 fit 方式进行训练，内置进度条、Logger 和 Tensorboard 支持。

# 伪代码示例：定义模型 -> 准备数据 -> 编译 -> 训练
model = build_transformer_model(config_path, checkpoint_path)
# ... 数据预处理 ...
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(train_data, steps_per_epoch=100, epochs=3)

更多详细示例（如序列标注、文本分类、LoRA 微调等）请参考官方 examples 目录。