Qwen1.5-1.8B GPTQ入门指南计算机组成原理知识问答实践你是不是也遇到过这种情况翻开《计算机组成原理》的教材满篇的“流水线”、“Cache”、“虚拟内存”看得人头晕眼花概念好像懂了但一合上书脑子里又是一团浆糊。或者在做作业、准备考试时对着一个复杂的问题想找人讨论一下却发现身边没有合适的伙伴。别担心今天我就带你认识一位随时待命的“学霸伙伴”——Qwen1.5-1.8B GPTQ模型。它虽然个头小巧但在理解计算机底层知识方面却能给你带来意想不到的帮助。这篇文章我就手把手教你如何快速部署这个模型并把它变成一个能和你深入探讨“计算机组成原理”的智能助手。从怎么问问题到怎么获得清晰易懂的解释我都会用最直白的方式告诉你。1. 环境准备与快速部署首先我们得把这位“伙伴”请到你的电脑里。整个过程非常简单跟着步骤走就行。1.1 系统要求与准备工作在开始之前确保你的电脑满足以下基本条件操作系统推荐使用 Linux如 Ubuntu 20.04或 macOS。Windows用户可以通过WSL2获得接近Linux的体验。Python环境需要 Python 3.8 或更高版本。硬件至少需要4GB的可用内存。因为模型本身不大所以对显卡要求不高有集成显卡也能跑当然有独立显卡如NVIDIA GPU速度会更快。网络需要能顺畅访问互联网以下载模型文件。打开你的终端Linux/macOS或命令提示符/PowerShellWindows我们先创建一个专属的工作目录避免把文件弄乱。mkdir qwen-tutor cd qwen-tutor1.2 安装依赖库这个模型运行需要一些Python库的支持。最方便的方法是使用pip来安装。我们主要需要两个核心库transformers用来加载和运行模型和torch深度学习框架。pip install transformers torch如果你的电脑有NVIDIA显卡并且希望用GPU来加速可以安装支持CUDA的PyTorch版本安装命令可以去PyTorch官网根据你的配置生成。不过对于1.8B这个大小的模型用CPU运行也完全没问题回答速度是可以接受的。1.3 下载与加载模型Qwen1.5-1.8B GPTQ是一个经过量化压缩的模型体积更小运行效率更高。我们使用transformers库可以非常方便地加载它。创建一个新的Python脚本比如叫做ask_cpu.py然后输入以下代码from transformers import AutoModelForCausalLM, AutoTokenizer # 指定模型名称Hugging Face Hub上的模型ID model_name Qwen/Qwen1.5-1.8B-GPTQ-Int8 print(正在加载模型和分词器请稍候...) # 加载分词器它负责把文字转换成模型能看懂的数字 tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) # 加载模型本身 model AutoModelForCausalLM.from_pretrained( model_name, device_mapauto, # 自动选择使用CPU或GPU trust_remote_codeTrue ) print(模型加载成功)第一次运行这段代码时它会从网上下载模型文件可能会花几分钟时间取决于你的网速。下载完成后模型就保存在本地了下次再运行就很快了。2. 向你的“学霸伙伴”提问模型加载好后我们就可以开始和它对话了。核心就是如何构造一个清晰的问题然后让模型生成回答。2.1 第一个问题CPU流水线是什么让我们从一个经典概念开始。在ask_cpu.py文件中接着添加以下代码# 定义我们的问题 question 请用通俗易懂的方式解释一下CPU的指令流水线是什么它为什么能提高效率 # 将问题和一些指令组合成模型能理解的“提示词” prompt f你是一个计算机组成原理的辅导老师。请用易于理解的语言回答以下问题。 问题{question} 回答这里我们构造了一个prompt提示词。你可以把它理解为给模型的“任务说明书”。我们明确告诉模型它要扮演的角色辅导老师并且要求用易于理解的语言回答。这比直接扔一个问题过去效果通常要好。接下来我们让模型生成回答# 将提示词转换为模型可处理的格式 inputs tokenizer(prompt, return_tensorspt).to(model.device) # 让模型生成回答设置一些生成参数 generated_ids model.generate( **inputs, max_new_tokens300, # 生成回答的最大长度 do_sampleTrue, # 使用采样让回答更多样、自然 temperature0.7, # 控制随机性0.7比较平衡既不死板也不胡言乱语 top_p0.9 # 另一种控制多样性的参数 ) # 将生成的数字ID解码回我们能读的文字 answer tokenizer.decode(generated_ids[0], skip_special_tokensTrue) print(answer)运行这个脚本 (python ask_cpu.py)你就能看到模型生成的回答了。它可能会这样解释“想象一下CPU执行指令就像工厂的装配线。没有流水线时一个工人CPU核心必须完成取指令、解码、执行、写回结果所有步骤后才能开始处理下一条指令这很慢。流水线技术把这个过程分成多个阶段比如五级流水线就像装配线上有多个工位。当第一条指令在执行阶段时第二条指令已经在解码阶段第三条指令在取指阶段了。这样虽然单条指令的完成时间没变但单位时间内完成的指令总数大大增加就像装配线源源不断产出产品一样从而提高了CPU的整体效率。”看它用了“工厂装配线”这个类比是不是比干巴巴的定义好懂多了2.2 深入追问Cache的工作原理好的学习不是一次问答而是连续的、深入的探讨。我们可以基于模型的回答进行追问。修改你的问题模拟一个连续的对话场景# 连续对话示例 conversation [ {role: user, content: Cache缓存的工作原理是什么}, # 假设这是模型上一轮的回答我们手动模拟一下上下文 {role: assistant, content: Cache是一种高速小容量存储器它存储了CPU最近可能再次访问的主存数据副本。其工作原理基于‘局部性原理’包括时间局部性刚被访问的数据很可能再次被访问和空间局部性访问一个数据后其附近的数据也可能被访问。当CPU需要读数据时先查Cache命中则快速返回未命中才去慢速的主存读取同时把该数据及其附近数据调入Cache以备下次使用。}, {role: user, content: 你刚才提到了时间局部性和空间局部性能分别举一个程序代码中的例子吗} ] # 将对话历史格式化成提示词 formatted_prompt for turn in conversation: if turn[role] user: formatted_prompt f用户{turn[content]}\n else: formatted_prompt f助手{turn[content]}\n # 加上新的引导让模型继续回答 formatted_prompt 助手 inputs tokenizer(formatted_prompt, return_tensorspt).to(model.device) generated_ids model.generate(**inputs, max_new_tokens200, do_sampleTrue, temperature0.7) answer tokenizer.decode(generated_ids[0], skip_special_tokensTrue) # 只打印模型新生成的部分简单处理取最后一段“助手”之后的内容 print(answer.split(助手)[-1])模型可能会接着回答 “好的。时间局部性的例子在一个循环中反复使用同一个变量sum比如for(i0; i1000; i) sum array[i];变量sum在每次迭代都会被访问和修改因此第一次访问后把它放入Cache后续迭代就能直接从Cache读取极大加速。 空间局部性的例子顺序访问数组元素比如上面的array[i]。当CPU读取array[0]时不仅会把array[0]本身通常还会把它后面连续的一段内存一个Cache行的数据一起加载到Cache。这样接下来访问array[1],array[2]时就会发现它们已经在Cache里了无需访问主存。”通过这种连续追问的方式你可以把一个知识点层层剥开理解得更透彻。3. 让问答更有效的技巧直接问虽然也能得到答案但掌握一些“提问技巧”能让这位“伙伴”发挥出120%的实力。下面这几个方法你下次可以试试。1. 赋予角色明确要求就像我们之前做的在问题前加上“你是一个计算机组成原理的辅导老师”。这能激活模型在该领域的知识表达方式。你还可以更具体“你是一个有十年经验的CPU架构工程师请用给大一新生讲课的口吻解释……”2. 要求结构化输出对于复杂概念可以要求模型分点或分步骤解释。提问示例“请分点列出虚拟内存技术带来的主要好处每点用一句话概括。” 模型可能会以“1. … 2. … 3. …”的形式回答逻辑更清晰。3. 善用类比和例子如果你觉得模型的回答太学术可以直接要求它举例。提问示例“用寄信和邮局的类比来解释一下总线仲裁的概念。” 模型可能会构建这样一个场景多个设备寄信人都想使用总线邮局唯一的邮筒发送数据信。总线仲裁器邮局工作人员需要制定规则如优先级、轮询来决定谁先用邮筒避免冲突。4. 对比与辨析这是深化理解的好方法。让模型比较两个容易混淆的概念。提问示例“中断和异常机制有什么相同点和不同点请用表格形式对比。” 模型可能会生成一个简单的表格列出触发源、处理时机、返回方式等方面的异同。5. 从错误中学习不要怕模型偶尔说错或不完全准确。你可以把它的回答和你从教材、课堂上学到的知识进行对比。发现不一致时正是你深入查阅资料、巩固记忆的好机会。你可以把正确的理解反馈给模型在后续对话中引导它修正这也是一种有趣的互动。4. 实践构建一个简单的问答循环让我们把上面的所有步骤整合起来写一个可以持续交互的小程序。创建一个新文件interactive_tutor.pyfrom transformers import AutoModelForCausalLM, AutoTokenizer model_name Qwen/Qwen1.5-1.8B-GPTQ-Int8 tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) model AutoModelForCausalLM.from_pretrained(model_name, device_mapauto, trust_remote_codeTrue) print(计算机组成原理学习助手已启动输入‘退出’或‘quit’结束对话。) print(- * 50) # 初始化对话历史可以加入系统指令让模型风格更稳定 conversation_history [ {role: system, content: 你是一个耐心、专业的计算机组成原理辅导老师擅长用通俗的类比和具体的例子解释复杂概念。回答要简洁清晰重点突出。} ] while True: user_input input(\n你的问题) if user_input.lower() in [退出, quit, exit]: print(再见祝你学习顺利) break # 将用户问题加入历史 conversation_history.append({role: user, content: user_input}) # 将历史对话格式化为提示词 prompt for msg in conversation_history: if msg[role] system: prompt f{msg[content]}\n else: prompt f{msg[role]}{msg[content]}\n prompt 助手 # 生成回答 inputs tokenizer(prompt, return_tensorspt).to(model.device) generated_ids model.generate( **inputs, max_new_tokens400, do_sampleTrue, temperature0.7, top_p0.9 ) full_response tokenizer.decode(generated_ids[0], skip_special_tokensTrue) # 从完整响应中提取助手的最新回复简易方法取最后一个“助手”之后的内容 # 注意更健壮的做法是跟踪token长度这里用简单分割示意 if 助手 in full_response: # 找到最后一个“助手”出现的位置 last_assistant_idx full_response.rfind(助手) # 取该位置之后的内容并去掉可能的前后空白 assistant_reply full_response[last_assistant_idx len(助手):].strip() else: assistant_reply full_response.strip() print(f\n助手{assistant_reply}) # 将模型的回答也加入历史以实现多轮对话 conversation_history.append({role: assistant, content: assistant_reply}) # 可选简单限制历史长度避免太长 if len(conversation_history) 10: # 保留最近10轮对话 conversation_history [conversation_history[0]] conversation_history[-8:]运行这个程序你就可以在终端里和你的“计算机组成原理辅导老师”进行连续对话了。试着问它“冯·诺依曼结构的特点是什么”、“RISC和CISC架构的主要区别”、“TLB快表是用来解决什么问题的”看看它如何一步步引导你理解。5. 总结用下来感觉Qwen1.5-1.8B GPTQ作为一个轻量级模型在充当特定领域的知识问答伙伴上确实挺称职的。部署过程没什么坑照着步骤来基本都能成功。最关键的是怎么问问题直接丢一个名词给它效果可能一般但如果你稍微花点心思像“请用比喻解释”、“分点说明”、“对比一下A和B”这样去引导它得到的回答质量会高很多对于理解计算机组成原理里那些抽象的概念比如流水线、缓存、虚拟内存真的很有帮助。它当然不是万能的复杂或者特别深入的问题可能力有不逮但对于课程学习、概念梳理、考前复习来说绝对是个好帮手。学习本身就是一个思考和对话的过程这个模型正好提供了一个随时可用的对话对象。下次当你对某个知识点感到模糊时不妨把它运行起来试着用不同的方式去提问看看能从它的回答里获得什么新的启发。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Qwen1.5-1.8B GPTQ入门指南：计算机组成原理知识问答实践
Qwen1.5-1.8B GPTQ入门指南计算机组成原理知识问答实践你是不是也遇到过这种情况翻开《计算机组成原理》的教材满篇的“流水线”、“Cache”、“虚拟内存”看得人头晕眼花概念好像懂了但一合上书脑子里又是一团浆糊。或者在做作业、准备考试时对着一个复杂的问题想找人讨论一下却发现身边没有合适的伙伴。别担心今天我就带你认识一位随时待命的“学霸伙伴”——Qwen1.5-1.8B GPTQ模型。它虽然个头小巧但在理解计算机底层知识方面却能给你带来意想不到的帮助。这篇文章我就手把手教你如何快速部署这个模型并把它变成一个能和你深入探讨“计算机组成原理”的智能助手。从怎么问问题到怎么获得清晰易懂的解释我都会用最直白的方式告诉你。1. 环境准备与快速部署首先我们得把这位“伙伴”请到你的电脑里。整个过程非常简单跟着步骤走就行。1.1 系统要求与准备工作在开始之前确保你的电脑满足以下基本条件操作系统推荐使用 Linux如 Ubuntu 20.04或 macOS。Windows用户可以通过WSL2获得接近Linux的体验。Python环境需要 Python 3.8 或更高版本。硬件至少需要4GB的可用内存。因为模型本身不大所以对显卡要求不高有集成显卡也能跑当然有独立显卡如NVIDIA GPU速度会更快。网络需要能顺畅访问互联网以下载模型文件。打开你的终端Linux/macOS或命令提示符/PowerShellWindows我们先创建一个专属的工作目录避免把文件弄乱。mkdir qwen-tutor cd qwen-tutor1.2 安装依赖库这个模型运行需要一些Python库的支持。最方便的方法是使用pip来安装。我们主要需要两个核心库transformers用来加载和运行模型和torch深度学习框架。pip install transformers torch如果你的电脑有NVIDIA显卡并且希望用GPU来加速可以安装支持CUDA的PyTorch版本安装命令可以去PyTorch官网根据你的配置生成。不过对于1.8B这个大小的模型用CPU运行也完全没问题回答速度是可以接受的。1.3 下载与加载模型Qwen1.5-1.8B GPTQ是一个经过量化压缩的模型体积更小运行效率更高。我们使用transformers库可以非常方便地加载它。创建一个新的Python脚本比如叫做ask_cpu.py然后输入以下代码from transformers import AutoModelForCausalLM, AutoTokenizer # 指定模型名称Hugging Face Hub上的模型ID model_name Qwen/Qwen1.5-1.8B-GPTQ-Int8 print(正在加载模型和分词器请稍候...) # 加载分词器它负责把文字转换成模型能看懂的数字 tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) # 加载模型本身 model AutoModelForCausalLM.from_pretrained( model_name, device_mapauto, # 自动选择使用CPU或GPU trust_remote_codeTrue ) print(模型加载成功)第一次运行这段代码时它会从网上下载模型文件可能会花几分钟时间取决于你的网速。下载完成后模型就保存在本地了下次再运行就很快了。2. 向你的“学霸伙伴”提问模型加载好后我们就可以开始和它对话了。核心就是如何构造一个清晰的问题然后让模型生成回答。2.1 第一个问题CPU流水线是什么让我们从一个经典概念开始。在ask_cpu.py文件中接着添加以下代码# 定义我们的问题 question 请用通俗易懂的方式解释一下CPU的指令流水线是什么它为什么能提高效率 # 将问题和一些指令组合成模型能理解的“提示词” prompt f你是一个计算机组成原理的辅导老师。请用易于理解的语言回答以下问题。 问题{question} 回答这里我们构造了一个prompt提示词。你可以把它理解为给模型的“任务说明书”。我们明确告诉模型它要扮演的角色辅导老师并且要求用易于理解的语言回答。这比直接扔一个问题过去效果通常要好。接下来我们让模型生成回答# 将提示词转换为模型可处理的格式 inputs tokenizer(prompt, return_tensorspt).to(model.device) # 让模型生成回答设置一些生成参数 generated_ids model.generate( **inputs, max_new_tokens300, # 生成回答的最大长度 do_sampleTrue, # 使用采样让回答更多样、自然 temperature0.7, # 控制随机性0.7比较平衡既不死板也不胡言乱语 top_p0.9 # 另一种控制多样性的参数 ) # 将生成的数字ID解码回我们能读的文字 answer tokenizer.decode(generated_ids[0], skip_special_tokensTrue) print(answer)运行这个脚本 (python ask_cpu.py)你就能看到模型生成的回答了。它可能会这样解释“想象一下CPU执行指令就像工厂的装配线。没有流水线时一个工人CPU核心必须完成取指令、解码、执行、写回结果所有步骤后才能开始处理下一条指令这很慢。流水线技术把这个过程分成多个阶段比如五级流水线就像装配线上有多个工位。当第一条指令在执行阶段时第二条指令已经在解码阶段第三条指令在取指阶段了。这样虽然单条指令的完成时间没变但单位时间内完成的指令总数大大增加就像装配线源源不断产出产品一样从而提高了CPU的整体效率。”看它用了“工厂装配线”这个类比是不是比干巴巴的定义好懂多了2.2 深入追问Cache的工作原理好的学习不是一次问答而是连续的、深入的探讨。我们可以基于模型的回答进行追问。修改你的问题模拟一个连续的对话场景# 连续对话示例 conversation [ {role: user, content: Cache缓存的工作原理是什么}, # 假设这是模型上一轮的回答我们手动模拟一下上下文 {role: assistant, content: Cache是一种高速小容量存储器它存储了CPU最近可能再次访问的主存数据副本。其工作原理基于‘局部性原理’包括时间局部性刚被访问的数据很可能再次被访问和空间局部性访问一个数据后其附近的数据也可能被访问。当CPU需要读数据时先查Cache命中则快速返回未命中才去慢速的主存读取同时把该数据及其附近数据调入Cache以备下次使用。}, {role: user, content: 你刚才提到了时间局部性和空间局部性能分别举一个程序代码中的例子吗} ] # 将对话历史格式化成提示词 formatted_prompt for turn in conversation: if turn[role] user: formatted_prompt f用户{turn[content]}\n else: formatted_prompt f助手{turn[content]}\n # 加上新的引导让模型继续回答 formatted_prompt 助手 inputs tokenizer(formatted_prompt, return_tensorspt).to(model.device) generated_ids model.generate(**inputs, max_new_tokens200, do_sampleTrue, temperature0.7) answer tokenizer.decode(generated_ids[0], skip_special_tokensTrue) # 只打印模型新生成的部分简单处理取最后一段“助手”之后的内容 print(answer.split(助手)[-1])模型可能会接着回答 “好的。时间局部性的例子在一个循环中反复使用同一个变量sum比如for(i0; i1000; i) sum array[i];变量sum在每次迭代都会被访问和修改因此第一次访问后把它放入Cache后续迭代就能直接从Cache读取极大加速。 空间局部性的例子顺序访问数组元素比如上面的array[i]。当CPU读取array[0]时不仅会把array[0]本身通常还会把它后面连续的一段内存一个Cache行的数据一起加载到Cache。这样接下来访问array[1],array[2]时就会发现它们已经在Cache里了无需访问主存。”通过这种连续追问的方式你可以把一个知识点层层剥开理解得更透彻。3. 让问答更有效的技巧直接问虽然也能得到答案但掌握一些“提问技巧”能让这位“伙伴”发挥出120%的实力。下面这几个方法你下次可以试试。1. 赋予角色明确要求就像我们之前做的在问题前加上“你是一个计算机组成原理的辅导老师”。这能激活模型在该领域的知识表达方式。你还可以更具体“你是一个有十年经验的CPU架构工程师请用给大一新生讲课的口吻解释……”2. 要求结构化输出对于复杂概念可以要求模型分点或分步骤解释。提问示例“请分点列出虚拟内存技术带来的主要好处每点用一句话概括。” 模型可能会以“1. … 2. … 3. …”的形式回答逻辑更清晰。3. 善用类比和例子如果你觉得模型的回答太学术可以直接要求它举例。提问示例“用寄信和邮局的类比来解释一下总线仲裁的概念。” 模型可能会构建这样一个场景多个设备寄信人都想使用总线邮局唯一的邮筒发送数据信。总线仲裁器邮局工作人员需要制定规则如优先级、轮询来决定谁先用邮筒避免冲突。4. 对比与辨析这是深化理解的好方法。让模型比较两个容易混淆的概念。提问示例“中断和异常机制有什么相同点和不同点请用表格形式对比。” 模型可能会生成一个简单的表格列出触发源、处理时机、返回方式等方面的异同。5. 从错误中学习不要怕模型偶尔说错或不完全准确。你可以把它的回答和你从教材、课堂上学到的知识进行对比。发现不一致时正是你深入查阅资料、巩固记忆的好机会。你可以把正确的理解反馈给模型在后续对话中引导它修正这也是一种有趣的互动。4. 实践构建一个简单的问答循环让我们把上面的所有步骤整合起来写一个可以持续交互的小程序。创建一个新文件interactive_tutor.pyfrom transformers import AutoModelForCausalLM, AutoTokenizer model_name Qwen/Qwen1.5-1.8B-GPTQ-Int8 tokenizer AutoTokenizer.from_pretrained(model_name, trust_remote_codeTrue) model AutoModelForCausalLM.from_pretrained(model_name, device_mapauto, trust_remote_codeTrue) print(计算机组成原理学习助手已启动输入‘退出’或‘quit’结束对话。) print(- * 50) # 初始化对话历史可以加入系统指令让模型风格更稳定 conversation_history [ {role: system, content: 你是一个耐心、专业的计算机组成原理辅导老师擅长用通俗的类比和具体的例子解释复杂概念。回答要简洁清晰重点突出。} ] while True: user_input input(\n你的问题) if user_input.lower() in [退出, quit, exit]: print(再见祝你学习顺利) break # 将用户问题加入历史 conversation_history.append({role: user, content: user_input}) # 将历史对话格式化为提示词 prompt for msg in conversation_history: if msg[role] system: prompt f{msg[content]}\n else: prompt f{msg[role]}{msg[content]}\n prompt 助手 # 生成回答 inputs tokenizer(prompt, return_tensorspt).to(model.device) generated_ids model.generate( **inputs, max_new_tokens400, do_sampleTrue, temperature0.7, top_p0.9 ) full_response tokenizer.decode(generated_ids[0], skip_special_tokensTrue) # 从完整响应中提取助手的最新回复简易方法取最后一个“助手”之后的内容 # 注意更健壮的做法是跟踪token长度这里用简单分割示意 if 助手 in full_response: # 找到最后一个“助手”出现的位置 last_assistant_idx full_response.rfind(助手) # 取该位置之后的内容并去掉可能的前后空白 assistant_reply full_response[last_assistant_idx len(助手):].strip() else: assistant_reply full_response.strip() print(f\n助手{assistant_reply}) # 将模型的回答也加入历史以实现多轮对话 conversation_history.append({role: assistant, content: assistant_reply}) # 可选简单限制历史长度避免太长 if len(conversation_history) 10: # 保留最近10轮对话 conversation_history [conversation_history[0]] conversation_history[-8:]运行这个程序你就可以在终端里和你的“计算机组成原理辅导老师”进行连续对话了。试着问它“冯·诺依曼结构的特点是什么”、“RISC和CISC架构的主要区别”、“TLB快表是用来解决什么问题的”看看它如何一步步引导你理解。5. 总结用下来感觉Qwen1.5-1.8B GPTQ作为一个轻量级模型在充当特定领域的知识问答伙伴上确实挺称职的。部署过程没什么坑照着步骤来基本都能成功。最关键的是怎么问问题直接丢一个名词给它效果可能一般但如果你稍微花点心思像“请用比喻解释”、“分点说明”、“对比一下A和B”这样去引导它得到的回答质量会高很多对于理解计算机组成原理里那些抽象的概念比如流水线、缓存、虚拟内存真的很有帮助。它当然不是万能的复杂或者特别深入的问题可能力有不逮但对于课程学习、概念梳理、考前复习来说绝对是个好帮手。学习本身就是一个思考和对话的过程这个模型正好提供了一个随时可用的对话对象。下次当你对某个知识点感到模糊时不妨把它运行起来试着用不同的方式去提问看看能从它的回答里获得什么新的启发。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
