[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Zeyi-Lin--LLM-Finetune":3,"tool-Zeyi-Lin--LLM-Finetune":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":78,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":103,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":113},8094,"Zeyi-Lin\u002FLLM-Finetune","LLM-Finetune","大语言模型微调，Qwen2VL、Qwen2、GLM4指令微调","LLM-Finetune 是一个专注于大语言模型指令微调的开源实战项目，旨在帮助开发者轻松定制属于自己的 AI 模型。它主要解决了通用大模型在特定垂直领域（如医疗、新闻分类、命名实体识别）表现不足的问题，通过提供完整的代码流程，让用户能将 Qwen2、Qwen2-VL（多模态）及 GLM4 等主流模型训练得更懂业务需求。\n\n该项目特别适合有一定 Python 基础的 AI 开发者、研究人员以及希望深入理解模型微调原理的技术爱好者使用。其核心亮点在于“开箱即用”的友好设计：不仅涵盖了从数据准备、模型训练到推理预测的全链路脚本，还针对文本分类和实体识别等常见任务提供了现成的数据集下载与处理方案。此外，LLM-Finetune 深度集成了 SwanLab 实验管理工具，能够实时可视化记录训练过程中的关键指标，让复杂的调参过程变得透明可控。无论是想尝试多模态图像理解，还是构建专业的医疗问答助手，都能在这里找到对应的实战指南和代码参考，是入门大模型微调领域的优质工具箱。","# LLM Finetune\n\n实验细节看：\n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FQwen2%20指令微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FQwen2-fintune\u002Fruns\u002Fcfg5f8dzkp6vouxzaxlx6\u002Fchart) \n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGLM4%20指令微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FGLM4-fintune\u002Fruns\u002Feabll3xug8orsxzjy4yu4\u002Fchart) \n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FQwen2%20VL%20多模态微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FQwen2-VL-finetune\u002Fruns\u002Fpkgest5xhdn3ukpdy6kv5\u002Fchart)\n\n## News\n\n- [Qwen3-Medical-sft](https:\u002F\u002Fgithub.com\u002FZeyi-Lin\u002FQwen3-Medical-SFT): Qwen3微调实战：医疗R1推理风格聊天\n\n\n## 准备工作\n\n安装环境：`pip install -r requirements.txt`\n\n文本分类任务-数据集下载：在[huangjintao\u002Fzh_cls_fudan-news](https:\u002F\u002Fmodelscope.cn\u002Fdatasets\u002Fswift\u002Fzh_cls_fudan-news\u002Ffiles)下载`train.jsonl`和`test.jsonl`到根目录下。\n\n命名实体识别任务-数据集下载：在[qgyd2021\u002Fchinese_ner_sft](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fqgyd2021\u002Fchinese_ner_sft\u002Ftree\u002Fmain\u002Fdata)下载`ccfbdci.jsonl`到根目录下。\n\nQwen2-VL多模态任务-数据集下载：\n```bash\ncd .\u002Fqwen2_vl\npython data2csv.py\npython csv2json.py\n```\n\n## 训练\n\n| 模型       | 任务              | 运行命令                                                             | Notebook | 文章                                                         |\n| ---------- | ----------------- | -------------------------------------------------------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ |\n| Qwen2-VL-2b | 多模态微调 | 进入qwen2_vl目录，运行python train_qwen2_vl.py | wait | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702491999) |\n| Qwen2-1.5b | 指令微调-文本分类 | python train_qwen2.py | [Jupyter Notebook](notebook\u002Ftrain_qwen2.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702491999) |\n| Qwen2-1.5b    | 指令微调-命名实体识别 | python train_qwen2_ner.py | [Jupyter Notebook](notebook\u002Ftrain_qwen2_ner.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F704463319)   |\n| GLM4-9b    | 指令微调-文本分类 | python train_glm4.py | [Jupyter Notebook](notebook\u002Ftrain_glm4.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702608991)  |\n| GLM4-9b    | 指令微调-命名实体识别 | python train_glm4_ner.py | [Jupyter Notebook](notebook\u002Ftrain_glm4_ner.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F704719982)  |\n\n\n## 推理\n\nQwen2系列：\n\n```bash\npython predict_qwen2.py\n```\n\nQwen2-VL系列：\n\n```bash\ncd .\u002Fqwen2_vl\npython predict_qwen2_vl.py\n```\n\nGLM4系列：\n\n```bash\npython predict_glm4.py\n```\n\n## 引用工具\n\n- [SwanLab](https:\u002F\u002Fgithub.com\u002FSwanHubX\u002FSwanLab)：AI训练记录、分析与可视化工具","# LLM 微调\n\n实验细节请看：\n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FQwen2%20指令微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FQwen2-fintune\u002Fruns\u002Fcfg5f8dzkp6vouxzaxlx6\u002Fchart) \n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGLM4%20指令微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FGLM4-fintune\u002Fruns\u002Feabll3xug8orsxzjy4yu4\u002Fchart) \n[![swanlab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FQwen2%20VL%20多模态微调-SwanLab-438440)](https:\u002F\u002Fswanlab.cn\u002F@ZeyiLin\u002FQwen2-VL-finetune\u002Fruns\u002Fpkgest5xhdn3ukpdy6kv5\u002Fchart)\n\n## 新闻\n\n- [Qwen3-Medical-sft](https:\u002F\u002Fgithub.com\u002FZeyi-Lin\u002FQwen3-Medical-SFT): Qwen3微调实战：医疗R1推理风格聊天\n\n\n## 准备工作\n\n安装环境：`pip install -r requirements.txt`\n\n文本分类任务-数据集下载：在[huangjintao\u002Fzh_cls_fudan-news](https:\u002F\u002Fmodelscope.cn\u002Fdatasets\u002Fswift\u002Fzh_cls_fudan-news\u002Ffiles)下载`train.jsonl`和`test.jsonl`到根目录下。\n\n命名实体识别任务-数据集下载：在[qgyd2021\u002Fchinese_ner_sft](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fqgyd2021\u002Fchinese_ner_sft\u002Ftree\u002Fmain\u002Fdata)下载`ccfbdci.jsonl`到根目录下。\n\nQwen2-VL多模态任务-数据集下载：\n```bash\ncd .\u002Fqwen2_vl\npython data2csv.py\npython csv2json.py\n```\n\n## 训练\n\n| 模型       | 任务              | 运行命令                                                             | Notebook | 文章                                                         |\n| ---------- | ----------------- | -------------------------------------------------------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ |\n| Qwen2-VL-2b | 多模态微调 | 进入qwen2_vl目录，运行python train_qwen2_vl.py | wait | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702491999) |\n| Qwen2-1.5b | 指令微调-文本分类 | python train_qwen2.py | [Jupyter Notebook](notebook\u002Ftrain_qwen2.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702491999) |\n| Qwen2-1.5b    | 指令微调-命名实体识别 | python train_qwen2_ner.py | [Jupyter Notebook](notebook\u002Ftrain_qwen2_ner.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F704463319)   |\n| GLM4-9b    | 指令微调-文本分类 | python train_glm4.py | [Jupyter Notebook](notebook\u002Ftrain_glm4.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F702608991)  |\n| GLM4-9b    | 指令微调-命名实体识别 | python train_glm4_ner.py | [Jupyter Notebook](notebook\u002Ftrain_glm4_ner.ipynb) | [知乎](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F704719982)  |\n\n\n## 推理\n\nQwen2系列：\n\n```bash\npython predict_qwen2.py\n```\n\nQwen2-VL系列：\n\n```bash\ncd .\u002Fqwen2_vl\npython predict_qwen2_vl.py\n```\n\nGLM4系列：\n\n```bash\npython predict_glm4.py\n```\n\n## 引用工具\n\n- [SwanLab](https:\u002F\u002Fgithub.com\u002FSwanHubX\u002FSwanLab)：AI训练记录、分析与可视化工具","# LLM-Finetune 快速上手指南\n\n本指南帮助中国开发者快速使用 **LLM-Finetune** 进行大语言模型（如 Qwen2、GLM4、Qwen2-VL）的指令微调与推理。\n\n## 1. 环境准备\n\n- **系统要求**：Linux \u002F macOS \u002F Windows (建议 Linux)\n- **Python 版本**：3.8+\n- **硬件要求**：支持 CUDA 的 NVIDIA GPU（推荐显存 ≥ 16GB，具体视模型大小而定）\n- **前置依赖**：确保已安装 `git` 和 `pip`\n\n## 2. 安装步骤\n\n克隆项目并安装依赖：\n\n```bash\ngit clone \u003C项目仓库地址>\ncd LLM-Finetune\npip install -r requirements.txt\n```\n\n> 💡 **提示**：若下载依赖较慢，可使用国内镜像源加速：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 3. 数据准备\n\n根据任务类型下载对应数据集至项目根目录：\n\n- **文本分类任务**：\n  从 [ModelScope](https:\u002F\u002Fmodelscope.cn\u002Fdatasets\u002Fswift\u002Fzh_cls_fudan-news\u002Ffiles) 下载 `train.jsonl` 和 `test.jsonl`。\n\n- **命名实体识别（NER）任务**：\n  从 [HuggingFace](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fqgyd2021\u002Fchinese_ner_sft\u002Ftree\u002Fmain\u002Fdata) 下载 `ccfbdci.jsonl`。\n\n- **多模态任务（Qwen2-VL）**：\n  进入目录并转换数据格式：\n  ```bash\n  cd .\u002Fqwen2_vl\n  python data2csv.py\n  python csv2json.py\n  ```\n\n## 4. 开始训练\n\n选择对应的模型与任务运行训练脚本：\n\n| 模型 | 任务 | 运行命令 |\n| :--- | :--- | :--- |\n| **Qwen2-1.5b** | 文本分类 | `python train_qwen2.py` |\n| **Qwen2-1.5b** | 命名实体识别 | `python train_qwen2_ner.py` |\n| **GLM4-9b** | 文本分类 | `python train_glm4.py` |\n| **GLM4-9b** | 命名实体识别 | `python train_glm4_ner.py` |\n| **Qwen2-VL-2b** | 多模态微调 | `cd .\u002Fqwen2_vl && python train_qwen2_vl.py` |\n\n> 📊 **实验监控**：训练过程自动接入 [SwanLab](https:\u002F\u002Fswanlab.cn)，可实时查看损失曲线与指标变化。\n\n## 5. 模型推理\n\n训练完成后，使用以下命令进行预测：\n\n- **Qwen2 系列**：\n  ```bash\n  python predict_qwen2.py\n  ```\n\n- **GLM4 系列**：\n  ```bash\n  python predict_glm4.py\n  ```\n\n- **Qwen2-VL 系列**：\n  ```bash\n  cd .\u002Fqwen2_vl\n  python predict_qwen2_vl.py\n  ```","某医疗科技公司的算法团队正致力于开发一款能理解医学影像并生成专业诊断建议的智能助手，以辅助基层医生进行初步筛查。\n\n### 没有 LLM-Finetune 时\n- **通用模型“不懂行”**：直接使用通用的 Qwen2 或 GLM4 模型，面对专业的 CT\u002FMRI 影像描述时，往往无法准确识别病灶特征，甚至产生幻觉，给出错误的医疗建议。\n- **多模态适配困难**：团队缺乏现成的流程将图像数据与文本病历对齐，手动编写代码处理 Qwen2-VL 的多模态输入耗时耗力，且难以复现实验结果。\n- **训练过程“黑盒”**：在微调过程中，损失函数波动、学习率调整等关键指标缺乏直观监控，一旦训练失败，排查问题如同大海捞针，严重拖慢迭代进度。\n- **领域术语识别率低**：在进行命名实体识别（NER）任务时，模型无法准确提取如“磨玻璃结节”、“纵隔淋巴结肿大”等专业术语，导致结构化数据整理失败。\n\n### 使用 LLM-Finetune 后\n- **专家级领域能力**：利用 LLM-Finetune 快速对 Qwen2-VL 进行医疗指令微调，模型不仅能精准识别影像中的病灶，还能模仿资深医生的推理风格（R1 风格）输出严谨的诊断报告。\n- **开箱即用的全流程**：直接调用项目中预设的 `train_qwen2_vl.py` 脚本，一键完成从数据清洗（csv2json）到多模态微调的全过程，将环境搭建与代码调试时间从数天缩短至几小时。\n- **可视化实验追踪**：集成 SwanLab 自动记录每次训练的超参数与性能曲线，团队可实时对比不同策略下的效果，迅速定位最优模型版本，让调优过程透明可控。\n- **高精度信息抽取**：通过加载针对中文医疗 NER 任务微调后的 GLM4 模型，系统能准确从非结构化病历中提取关键实体，准确率显著提升，为后续数据库构建打下坚实基础。\n\nLLM-Finetune 通过提供标准化的微调范式与可视化监控，帮助团队低成本地将通用大模型转化为具备深厚医疗知识的垂直领域专家。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZeyi-Lin_LLM-Finetune_9ba8e20d.png","Zeyi-Lin","Ze-Yi LIN","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FZeyi-Lin_4f099f3c.jpg","CPO@SwanLab; Ph.D. Student@XDU; ","EmotionMachine","Beijing",null,"https:\u002F\u002Fgithub.com\u002FZeyi-Lin",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",54.1,{"name":86,"color":87,"percentage":88},"Python","#3572A5",45.9,627,79,"2026-04-13T09:38:33","未说明","未说明（根据支持的模型如 Qwen2-VL-2b, GLM4-9b 推断，通常需要 NVIDIA GPU，显存建议 16GB+ 以支持 9B 参数模型微调）",{"notes":95,"python":92,"dependencies":96},"README 中未明确列出具体的版本号和硬件最低要求。安装依赖需运行 `pip install -r requirements.txt`。支持的任务包括文本分类、命名实体识别及多模态微调（Qwen2-VL）。部分多模态任务需进入 `qwen2_vl` 目录并执行数据预处理脚本。实验记录使用 SwanLab 进行可视化。",[97,98,99,100,101,102],"torch","transformers","accelerate","peft","datasets","swanlab",[35,14,104],"其他","2026-03-27T02:49:30.150509","2026-04-16T18:27:22.700401",[108],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},36224,"运行 train_glm4_ner.py 微调时出现 CUDA error: misaligned address 错误怎么办？","该错误通常与显存或设备配置有关。可以尝试以下两种解决方案：\n1. 指定可见的 GPU 设备，在运行脚本前执行命令：export CUDA_VISIBLE_DEVICES=0\n2. 减小训练时的 batch_size（批次大小），这通常能直接解决因显存对齐或不足导致的问题。","https:\u002F\u002Fgithub.com\u002FZeyi-Lin\u002FLLM-Finetune\u002Fissues\u002F1",[]]