2026/9/6 18:25:19
FEATURED · 精选文章 
如何选型、微调与部署中医大语言模型基于 Awesome-Chinese-LLM 的完整实战指南【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型以规模较小、可私有化部署、训练成本较低的模型为主包括底座模型垂直领域微调及应用数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM想在私有环境里跑起来一个中医大语言模型新手常卡在三个地方通用大模型对中医术语辨证、方剂、穴位不敏感自己造指令数据成本太高大模型训练算力又超出个人或小团队的预算。开源项目Awesome-Chinese-LLM收录了 100 个中文大语言模型的开源资源定位就是规模较小、可私有化部署、训练成本低的模型涵盖底座、垂直领域微调、数据集与教程。其中中医方向已有现成的积累基于中医药知识图谱构造的 ChatMed_TCM_Dataset、ShenNong_TCM_Dataset 两个指令数据集11 万 条以及 ChatMed-TCM、ShenNong-TCM-LLM 等可直接使用的中医模型既能拿来即用也能作为自己微调的起点。这个项目能给你什么 简单说它帮你把找资料这一步压缩到最短选型有底README.md 里有常见底座模型的参数规模、训练 token 数、上下文长度、是否可商用的对照表选型不用四处翻论文中医素材现成知识图谱构造的指令数据和微调用 LoRA 代码都开源省去自建数据的大头工作量算力门槛低主打 6B–13B 级小模型。DoctorGLM 的公开记录是 1 张 A100 80GB 约 13 小时完成微调ChatMed 用 4 张 30904-bit 量化后 24G 显卡就能推理可复现doc/Medical.md 逐个记录了每个医疗模型的基座、数据来源、算力与机构照着做即可。上图按底座 → 衍生模型组织了整个中文 LLM 生态ChatMed、ShenNong-TCM-LLM 挂在 LLaMA 底座下DoctorGLM、Med-ChatGLM 挂在 ChatGLM 底座下。选模型时先看底座再看数据基本不会错。这些中医大模型是怎么做出来的数据侧用知识图谱圈住指令ChatMed 和神农ShenNong-TCM的思路一致以开源的中医药知识图谱为基础抽取中药、方剂、穴位、证候等实体为中心用 self-instruct 方法调用 ChatGPT 围绕实体批量生成问答最终沉淀出 11 万 条中医药指令数据。知识图谱在这里的作用是约束模型能答什么比直接让大模型自由发挥更能压制幻觉。通用医疗侧还有 Huatuo-26M2600 万条医疗问答、79 万条多科室中文医疗对话等公开数据可补充。模型侧小底座 LoRA 是主流配方底座集中在 LLaMA-7B、ChatGLM-6B、Baichuan-7B 三档微调方式几乎都用 LoRArank16 很常见只更新少量低秩参数显存和卡数都省。中医之外孙思邈Sunsimiao基于十万级高质量中文医疗数据微调覆盖范围更广启真、扁鹊、华佗系等则是同一路数的不同数据配比。应用侧问诊、辨证、方剂与文献训练后的模型可支撑智能问诊自然语言收集症状、辨证分析识别证候类型、方剂推荐与剂量参考以及古籍和医案的智能检索解读。多模态方向上XrayGLM 已能读胸部 X 光片说明中医 影像的组合也在路线内。中医大语言模型怎么选模型底座训练数据微调方式参考算力适合场景ChatMed-TCMLLaMA-7B中医药知识图谱自指令数据11 万LoRA4× 3090公开记录中医药专业问答、方剂穴位研究ShenNong-TCM-LLMLLaMAShenNong_TCM_Dataset知识图谱基础LoRArank16与 ChatMed 同代码库中医药指令任务、自建微调起点Med-ChatGLMChatGLM-6B医学知识图谱 生成式指令数据指令微调4-bit 量化单卡 24G 可推理中文医疗对话、部署门槛敏感的场景SunsimiaoBaichuan-7B / ChatGLM2-6B十万级高质量中文医疗数据微调—通用医疗问答、非纯中医场景DoctorGLMChatGLM-6B79 万级多科室医疗对话LoRA / p-tuning v21× A100 80GB 约 13h公开记录中文问诊助手怎么选给三条明确建议只做中医问答、显存有限优先 Med-ChatGLM 或 Sunsimiao。ChatGLM/百川系对中文友好4-bit 量化后单张 24G 卡即可跑起来是最低的部署门槛要研究中医或微调自己的模型以 ChatMed-TCM 或 ShenNong-TCM-LLM 为起点数据、LoRA 代码都开源改数据配比即可想扩展到医学影像多模态看 XrayGLM 的数据集与方案再叠加自己的影像数据。一个实用的筛选顺序先定底座决定部署难度与中文能力再看数据决定领域深度最后看微调方式决定复现成本。中医大模型微调与私有化部署怎么做整条路径可以压缩为拿清单 → 选模型和数据 → 备环境 → LoRA 微调 → 部署上线。第一步把资源清单拉到本地git clone https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM克隆后先读 doc/Medical.md确定用哪个模型、哪份数据。第二步准备环境Python 3.8、PyTorch、Transformers。推理阶段 6B–7B 模型做 4-bit 量化即可上消费级显卡微调阶段建议 16-bit 或 QLoRA避免精度损失。第三步数据准备直接用现成的中医指令数据集若要用自有医案先做三件事——统一术语表述、标注穴位/中药/方剂等实体、剥离患者隐私信息。第四步⚙️ 微调。LoRA 的核心配置很短from peft import LoraConfig, get_peft_model lora_config LoraConfig( r16, lora_alpha32, target_modules[q_proj, v_proj], lora_dropout0.1, biasnone ) model get_peft_model(base_model, lora_config)第五步部署用 vLLM 等推理框架或 Web 界面挂出服务再对接既有业务系统。涉及患者信息的应用数据建议全程留在内网。边界与注意哪些事它做不了⚠️ 这一节比前面更值得读输出不是诊断辨证与方剂建议只能作为医生的参考剂量、配伍禁忌必须人工复核更不能替代临床判断数据有错源风险大量指令数据由 ChatGPT 生成、未经严格校验题目或答案本身可能带错误自有数据上线前需人工抽检缺大规模临床验证公开模型多在基准数据集上评测缺乏大规模随机对照试验支撑准确率类宣传要打折看待术语未统一中医同名异词、一词多义普遍模型可能混淆近义术语检索和问答都要留人工确认环节许可证各不同底座部分可商用如 LLaMA与可商用如 ChatGLM、Baichuan不等价商用前先核对每个模型的协议。不适合的场景很明确自主临床决策、急诊分诊、无人复核的处方生成。AI 在这里的定位是辅助与提效不是替代。资源与下一步 相关入口都在这一个仓库里项目总清单与底座对照表README.md医疗/中医模型明细基座、数据、算力doc/Medical.md底座与衍生模型的对应关系doc/LLM.md数据集关键词在清单中搜 ChatMed_TCM_Dataset、ShenNong_TCM_Dataset、Huatuo-26M建议的动手顺序先用 4-bit 量化把一个现成的 6B 医疗模型跑通确认部署链路没问题再用中医数据微调自己的 LoRA最后接入实际使用场景。先跑通、再改造是成本最低的路径。【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型以规模较小、可私有化部署、训练成本较低的模型为主包括底座模型垂直领域微调及应用数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何选型、微调与部署中医大语言模型：基于 Awesome-Chinese-LLM 的完整实战指南
如何选型、微调与部署中医大语言模型基于 Awesome-Chinese-LLM 的完整实战指南【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型以规模较小、可私有化部署、训练成本较低的模型为主包括底座模型垂直领域微调及应用数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM想在私有环境里跑起来一个中医大语言模型新手常卡在三个地方通用大模型对中医术语辨证、方剂、穴位不敏感自己造指令数据成本太高大模型训练算力又超出个人或小团队的预算。开源项目Awesome-Chinese-LLM收录了 100 个中文大语言模型的开源资源定位就是规模较小、可私有化部署、训练成本低的模型涵盖底座、垂直领域微调、数据集与教程。其中中医方向已有现成的积累基于中医药知识图谱构造的 ChatMed_TCM_Dataset、ShenNong_TCM_Dataset 两个指令数据集11 万 条以及 ChatMed-TCM、ShenNong-TCM-LLM 等可直接使用的中医模型既能拿来即用也能作为自己微调的起点。这个项目能给你什么 简单说它帮你把找资料这一步压缩到最短选型有底README.md 里有常见底座模型的参数规模、训练 token 数、上下文长度、是否可商用的对照表选型不用四处翻论文中医素材现成知识图谱构造的指令数据和微调用 LoRA 代码都开源省去自建数据的大头工作量算力门槛低主打 6B–13B 级小模型。DoctorGLM 的公开记录是 1 张 A100 80GB 约 13 小时完成微调ChatMed 用 4 张 30904-bit 量化后 24G 显卡就能推理可复现doc/Medical.md 逐个记录了每个医疗模型的基座、数据来源、算力与机构照着做即可。上图按底座 → 衍生模型组织了整个中文 LLM 生态ChatMed、ShenNong-TCM-LLM 挂在 LLaMA 底座下DoctorGLM、Med-ChatGLM 挂在 ChatGLM 底座下。选模型时先看底座再看数据基本不会错。这些中医大模型是怎么做出来的数据侧用知识图谱圈住指令ChatMed 和神农ShenNong-TCM的思路一致以开源的中医药知识图谱为基础抽取中药、方剂、穴位、证候等实体为中心用 self-instruct 方法调用 ChatGPT 围绕实体批量生成问答最终沉淀出 11 万 条中医药指令数据。知识图谱在这里的作用是约束模型能答什么比直接让大模型自由发挥更能压制幻觉。通用医疗侧还有 Huatuo-26M2600 万条医疗问答、79 万条多科室中文医疗对话等公开数据可补充。模型侧小底座 LoRA 是主流配方底座集中在 LLaMA-7B、ChatGLM-6B、Baichuan-7B 三档微调方式几乎都用 LoRArank16 很常见只更新少量低秩参数显存和卡数都省。中医之外孙思邈Sunsimiao基于十万级高质量中文医疗数据微调覆盖范围更广启真、扁鹊、华佗系等则是同一路数的不同数据配比。应用侧问诊、辨证、方剂与文献训练后的模型可支撑智能问诊自然语言收集症状、辨证分析识别证候类型、方剂推荐与剂量参考以及古籍和医案的智能检索解读。多模态方向上XrayGLM 已能读胸部 X 光片说明中医 影像的组合也在路线内。中医大语言模型怎么选模型底座训练数据微调方式参考算力适合场景ChatMed-TCMLLaMA-7B中医药知识图谱自指令数据11 万LoRA4× 3090公开记录中医药专业问答、方剂穴位研究ShenNong-TCM-LLMLLaMAShenNong_TCM_Dataset知识图谱基础LoRArank16与 ChatMed 同代码库中医药指令任务、自建微调起点Med-ChatGLMChatGLM-6B医学知识图谱 生成式指令数据指令微调4-bit 量化单卡 24G 可推理中文医疗对话、部署门槛敏感的场景SunsimiaoBaichuan-7B / ChatGLM2-6B十万级高质量中文医疗数据微调—通用医疗问答、非纯中医场景DoctorGLMChatGLM-6B79 万级多科室医疗对话LoRA / p-tuning v21× A100 80GB 约 13h公开记录中文问诊助手怎么选给三条明确建议只做中医问答、显存有限优先 Med-ChatGLM 或 Sunsimiao。ChatGLM/百川系对中文友好4-bit 量化后单张 24G 卡即可跑起来是最低的部署门槛要研究中医或微调自己的模型以 ChatMed-TCM 或 ShenNong-TCM-LLM 为起点数据、LoRA 代码都开源改数据配比即可想扩展到医学影像多模态看 XrayGLM 的数据集与方案再叠加自己的影像数据。一个实用的筛选顺序先定底座决定部署难度与中文能力再看数据决定领域深度最后看微调方式决定复现成本。中医大模型微调与私有化部署怎么做整条路径可以压缩为拿清单 → 选模型和数据 → 备环境 → LoRA 微调 → 部署上线。第一步把资源清单拉到本地git clone https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM克隆后先读 doc/Medical.md确定用哪个模型、哪份数据。第二步准备环境Python 3.8、PyTorch、Transformers。推理阶段 6B–7B 模型做 4-bit 量化即可上消费级显卡微调阶段建议 16-bit 或 QLoRA避免精度损失。第三步数据准备直接用现成的中医指令数据集若要用自有医案先做三件事——统一术语表述、标注穴位/中药/方剂等实体、剥离患者隐私信息。第四步⚙️ 微调。LoRA 的核心配置很短from peft import LoraConfig, get_peft_model lora_config LoraConfig( r16, lora_alpha32, target_modules[q_proj, v_proj], lora_dropout0.1, biasnone ) model get_peft_model(base_model, lora_config)第五步部署用 vLLM 等推理框架或 Web 界面挂出服务再对接既有业务系统。涉及患者信息的应用数据建议全程留在内网。边界与注意哪些事它做不了⚠️ 这一节比前面更值得读输出不是诊断辨证与方剂建议只能作为医生的参考剂量、配伍禁忌必须人工复核更不能替代临床判断数据有错源风险大量指令数据由 ChatGPT 生成、未经严格校验题目或答案本身可能带错误自有数据上线前需人工抽检缺大规模临床验证公开模型多在基准数据集上评测缺乏大规模随机对照试验支撑准确率类宣传要打折看待术语未统一中医同名异词、一词多义普遍模型可能混淆近义术语检索和问答都要留人工确认环节许可证各不同底座部分可商用如 LLaMA与可商用如 ChatGLM、Baichuan不等价商用前先核对每个模型的协议。不适合的场景很明确自主临床决策、急诊分诊、无人复核的处方生成。AI 在这里的定位是辅助与提效不是替代。资源与下一步 相关入口都在这一个仓库里项目总清单与底座对照表README.md医疗/中医模型明细基座、数据、算力doc/Medical.md底座与衍生模型的对应关系doc/LLM.md数据集关键词在清单中搜 ChatMed_TCM_Dataset、ShenNong_TCM_Dataset、Huatuo-26M建议的动手顺序先用 4-bit 量化把一个现成的 6B 医疗模型跑通确认部署链路没问题再用中医数据微调自己的 LoRA最后接入实际使用场景。先跑通、再改造是成本最低的路径。【免费下载链接】Awesome-Chinese-LLM整理开源的中文大语言模型以规模较小、可私有化部署、训练成本较低的模型为主包括底座模型垂直领域微调及应用数据集与教程等。项目地址: https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
