【书生·浦语】InternLM2-Chat-1.8B效果对比vs Qwen1.5-1.8B实测体验最近1.8B这个参数级别的开源大模型突然热闹了起来。一方面这个体量的模型对个人开发者和研究者非常友好部署门槛低推理速度快另一方面各大模型厂商也开始在这个级别上“卷”性能试图在有限的参数里塞进更强的能力。今天我们就来实测对比两款备受关注的1.8B级别中文对话模型InternLM2-Chat-1.8B和Qwen1.5-1.8B-Chat。我们将通过Ollama部署从多个维度进行实际对话测试看看在“小身材”下谁的表现更胜一筹。1. 模型简介与部署准备在开始“比武”之前我们先快速了解一下两位选手的背景并准备好测试环境。1.1 选手一InternLM2-Chat-1.8BInternLM2-Chat-1.8B来自上海人工智能实验室是“书生·浦语”第二代模型家族中的轻量级成员。别看它只有18亿参数官方宣称它有不少亮点超长上下文有效支持长达20万字符的上下文在长文本任务上表现不错。能力全面相比第一代在推理、数学、编程等方面都有显著提升。对齐优化它是在SFT监督微调版本基础上进一步通过RLHF人类反馈强化学习对齐过的因此在指令遵循和聊天体验上更佳。简单说这是一个为实际对话应用优化过的“小而精”的模型。1.2 选手二Qwen1.5-1.8B-ChatQwen1.5-1.8B-Chat来自阿里通义千问团队。Qwen1.5系列模型以其优秀的开源生态和均衡的性能著称。这个1.8B的聊天版本同样针对对话场景进行了优化在保持轻量化的同时力求在常识、逻辑和指令跟随上达到可用水平。1.3 测试环境搭建为了公平对比我们使用Ollama在本地进行部署。Ollama的优势在于一键拉取、运行模型环境统一非常适合做横向评测。如果你还没有安装Ollama可以去官网下载安装过程非常简单。安装好后在终端分别拉取两个模型# 拉取 InternLM2-Chat-1.8B ollama pull internlm2:1.8b # 拉取 Qwen1.5-1.8B-Chat ollama pull qwen2.5:1.8b-instruct拉取完成后你就可以通过ollama run命令或者Ollama的Web界面与模型对话了。我们的所有测试都将基于这个环境进行。2. 基础能力实测对比我们先从几个模型的基础通用能力开始测试看看它们在理解、生成和逻辑上的基本功。2.1 指令遵循与格式要求测试提示词“请用JSON格式输出三本你推荐的中国古典文学名著包含书名、作者和朝代三个字段。”InternLM2-Chat-1.8B 输出{ books: [ { title: 红楼梦, author: 曹雪芹, dynasty: 清 }, { title: 西游记, author: 吴承恩, dynasty: 明 }, { title: 水浒传, author: 施耐庵, dynasty: 元末明初 } ] }点评完美遵循指令。JSON结构正确字段齐全内容准确。连“元末明初”这种细节都处理得很好。Qwen1.5-1.8B-Chat 输出[ { 书名: 红楼梦, 作者: 曹雪芹, 朝代: 清代 }, { 书名: 三国演义, 作者: 罗贯中, 朝代: 元末明初 }, { 书名: 西游记, 作者: 吴承恩, 朝代: 明代 } ]点评同样很好地遵循了指令。虽然键名用了中文“书名” vs “title”但这在中文语境下完全可接受甚至更直观。内容准确。本轮小结在严格的格式输出要求上两者都表现出色难分伯仲。都能准确理解JSON要求并填入正确信息。2.2 基础推理与逻辑测试提示词“如果所有猫都怕水而我的宠物毛毛是一只猫那么毛毛怕水吗请一步步推理。”InternLM2-Chat-1.8B 输出前提1所有猫都怕水。这是一个全称判断。前提2毛毛是一只猫。这是对毛毛的类别归属判断。根据逻辑学中的“全称实例化”规则如果所有S都是P那么任意一个S个体也是P。将规则应用于此所有猫S都怕水P毛毛是猫S的一个个体因此毛毛怕水P。结论是的毛毛怕水。Qwen1.5-1.8B-Chat 输出我们来一步步推理已知条件所有猫都怕水。已知条件毛毛是一只猫。因为毛毛属于“猫”这个类别而该类别的所有成员都具有“怕水”这个属性。所以毛毛也必然具有“怕水”这个属性。结论毛毛怕水。本轮小结面对简单的逻辑推理两者都能给出清晰、正确的步骤和结论。InternLM2的回答更偏向“学院派”提到了“全称实例化”这样的逻辑学术语Qwen1.5的表达则更通俗直白。在正确性上都是满分。2.3 中文文本生成与润色测试提示词“下面这句话有点生硬请把它改得更礼貌、更流畅一些‘把你刚才说的方案发我邮箱。’”InternLM2-Chat-1.8B 输出“您好麻烦您将刚才讨论的方案发送到我的邮箱谢谢” 或者更客气一点“请问方便将您刚才提到的方案发一份到我的邮箱吗非常感谢”Qwen1.5-1.8B-Chat 输出“您好可以请您把刚才提到的方案发到我的邮箱吗谢谢” 或者“麻烦您抽空将刚才说的方案发我邮箱一下辛苦了”本轮小结在文本润色和风格转换上两者都展现了良好的中文语感和实用性。都能生成不止一个选项且改写的句子确实更礼貌、更自然。InternLM2的第二个选项疑问语气更重显得更委婉Qwen1.5的“辛苦了”则带有一点同事间的熟络感。3. 进阶能力与“翻车”现场基础能力大家都不错那我们来点更有挑战性的看看它们的边界在哪里。3.1 数学计算与符号推理测试提示词“一个房间里有4个人每两个人都要握手一次一共要握手多少次请列出计算过程。”InternLM2-Chat-1.8B 输出这是一个组合问题。计算过程如下握手是两人之间的一次互动且与顺序无关A和B握手与B和A握手是同一场。从4个人中任意选择2个人进行握手这是一个组合数计算C(4,2)。组合数公式C(n, k) n! / [k! * (n-k)!]代入 n4, k2C(4,2) 4! / [2! * (4-2)!] (4321) / [(21) * (2*1)] 24 / 4 6。所以一共要握手6次。Qwen1.5-1.8B-Chat 输出我们可以这样计算 第一个人需要和剩下的3个人握手3次。 第二个人已经和第一个人握过手了所以他只需要和剩下的2个人握手2次。 第三个人已经和前两个人握过手了所以他只需要和剩下的1个人握手1次。 第四个人已经和所有人都握过手了。 所以总次数是3 2 1 6次。 因此一共要握手6次。本轮小结在数学计算上两者都正确解决了问题且展示了不同的解题思路。InternLM2使用了标准的组合数学公式更抽象Qwen1.5使用了更直观的累加推理法更容易理解。小模型能清晰展示过程令人惊喜。3.2 代码生成能力测试提示词“用Python写一个函数判断一个字符串是不是回文串正读反读都一样忽略空格和大小写。”InternLM2-Chat-1.8B 输出def is_palindrome(s: str) - bool: # 处理字符串转小写去空格 processed_s .join(s.lower().split()) # 判断是否与反转后相等 return processed_s processed_s[::-1] # 测试 print(is_palindrome(A man a plan a canal Panama)) # 应输出 True print(is_palindrome(hello)) # 应输出 FalseQwen1.5-1.8B-Chat 输出def is_palindrome(s): # 移除空格并转换为小写 s_clean s.replace( , ).lower() # 比较字符串和它的反转 return s_clean s_clean[::-1] # 示例 print(is_palindrome(racecar)) # True print(is_palindrome(Hello)) # False print(is_palindrome(A man a plan a canal Panama)) # True本轮小结在简单的代码生成任务上两者都交出了满分答卷。函数逻辑正确使用了Python的切片特性提供了测试用例。Qwen1.5使用了.replace(” “, “”)来去空格而InternLM2使用了.split()和.join()两种方法都可行。作为1.8B的模型代码能力足够应对日常脚本辅助。3.3 长上下文与信息提取压力测试我们模拟一个“大海捞针”测试在长文本中隐藏关键信息。测试提示词一段约500字的虚构故事讲述“小明去超市购物”其中夹杂了一句“他最喜欢的零食是巧克力夹心饼干”。故事末尾提问“小明最喜欢的零食是什么”InternLM2-Chat-1.8B 输出正确回答出了“巧克力夹心饼干”。在后续追问故事中其他无关细节时也能基本答对。Qwen1.5-1.8B-Chat 输出同样正确回答出了“巧克力夹心饼干”。信息提取准确。本轮小结在几百字的上下文长度内两者都表现出了可靠的信息提取和记忆能力。对于1.8B模型来说处理这种长度的文本游刃有余符合其宣传的上下文能力。4. 主观体验与风格差异除了客观能力聊天模型的主观体验也很重要。4.1 对话流畅度与主动性InternLM2-Chat-1.8B回答风格偏严谨、细致。喜欢分点1. 2. 3.或分步骤首先、其次、然后回答问题结构非常清晰。有时会显得有点“学术腔”或“官方口吻”。Qwen1.5-1.8B-Chat回答风格更偏向自然对话。语言更口语化衔接更流畅像是一个朋友在聊天。较少使用分点列表整体感觉更轻松。4.2 安全性与拒绝回答当我们尝试问一些涉及虚假信息或不当内容的问题时两者都表现出了良好的对齐性会礼貌地拒绝回答并引导向积极、健康的主题。InternLM2的拒绝措辞有时更正式Qwen1.5的拒绝则更简洁直接。4.3 创意与脑洞测试提示词“如果西瓜和葡萄吵架了谁会赢为什么”InternLM2-Chat-1.8B 输出从物理特性西瓜大而重葡萄小而多、营养价值、生长环境等多个角度“分析”了一场拟人化的辩论最后得出结论“它们不会真的吵架而是各有所长”并升华到和谐共处。逻辑严谨但脑洞不够开。Qwen1.5-1.8B-Chat 输出给出了一个更富童趣的回答“西瓜可能会赢因为它体积大声音可能更响不过葡萄们很团结可能会一起嚷嚷。但最好的结果是它们和好一起被做成水果沙拉”更有趣味性和想象力。5. 总结与选择建议经过多轮实测我们来做个总结。5.1 对比总结对比维度InternLM2-Chat-1.8BQwen1.5-1.8B-Chat简要评价指令遵循⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐两者均优秀能严格遵循复杂格式。逻辑推理⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐基础逻辑清晰都能展示推理过程。代码生成⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐简单任务完美胜任代码简洁正确。文本润色⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐中文语感好能生成礼貌、地道的改写。回答风格严谨、结构化、略学术自然、口语化、更轻松风格差异明显取决于你的偏好。创意表现偏重逻辑分析创意中等更具趣味性和想象力需要“脑洞”时Qwen1.5可能更讨喜。部署与生态优秀Ollama直接支持优秀Ollama直接支持两者在Ollama上体验一致都非常方便。5.2 如何选择选 InternLM2-Chat-1.8B如果你喜欢结构清晰、分点列明的回答。需要模型进行一些偏分析、总结类的任务。看重官方宣传的长上下文能力在更长的文本任务中可能有优势。欣赏略带“学院派”的严谨风格。选 Qwen1.5-1.8B-Chat如果你追求更自然、更像真人聊天的交互体验。用于创意写作、故事生成或需要一点幽默感的场景。希望模型的回答更简洁直接不喜过多结构化表述。是阿里云或通义千问生态的开发者便于后续集成。最终结论 在1.8B这个级别上InternLM2-Chat-1.8B 和 Qwen1.5-1.8B-Chat 都是非常出色的选择。它们的核心能力指令遵循、逻辑、代码在实测中差距微乎其微都能满足轻量级应用、学习研究和原型开发的需求。最大的区别在于风格。InternLM2像一位严谨的助理而Qwen1.5像一位健谈的朋友。你的选择完全可以基于你对对话风格的个人喜好。好消息是用Ollama部署和切换它们只需要一行命令不妨都试试感受一下哪位的“聊天性格”更对你的胃口。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。
【书生·浦语】InternLM2-Chat-1.8B效果对比：vs Qwen1.5-1.8B实测体验
【书生·浦语】InternLM2-Chat-1.8B效果对比vs Qwen1.5-1.8B实测体验最近1.8B这个参数级别的开源大模型突然热闹了起来。一方面这个体量的模型对个人开发者和研究者非常友好部署门槛低推理速度快另一方面各大模型厂商也开始在这个级别上“卷”性能试图在有限的参数里塞进更强的能力。今天我们就来实测对比两款备受关注的1.8B级别中文对话模型InternLM2-Chat-1.8B和Qwen1.5-1.8B-Chat。我们将通过Ollama部署从多个维度进行实际对话测试看看在“小身材”下谁的表现更胜一筹。1. 模型简介与部署准备在开始“比武”之前我们先快速了解一下两位选手的背景并准备好测试环境。1.1 选手一InternLM2-Chat-1.8BInternLM2-Chat-1.8B来自上海人工智能实验室是“书生·浦语”第二代模型家族中的轻量级成员。别看它只有18亿参数官方宣称它有不少亮点超长上下文有效支持长达20万字符的上下文在长文本任务上表现不错。能力全面相比第一代在推理、数学、编程等方面都有显著提升。对齐优化它是在SFT监督微调版本基础上进一步通过RLHF人类反馈强化学习对齐过的因此在指令遵循和聊天体验上更佳。简单说这是一个为实际对话应用优化过的“小而精”的模型。1.2 选手二Qwen1.5-1.8B-ChatQwen1.5-1.8B-Chat来自阿里通义千问团队。Qwen1.5系列模型以其优秀的开源生态和均衡的性能著称。这个1.8B的聊天版本同样针对对话场景进行了优化在保持轻量化的同时力求在常识、逻辑和指令跟随上达到可用水平。1.3 测试环境搭建为了公平对比我们使用Ollama在本地进行部署。Ollama的优势在于一键拉取、运行模型环境统一非常适合做横向评测。如果你还没有安装Ollama可以去官网下载安装过程非常简单。安装好后在终端分别拉取两个模型# 拉取 InternLM2-Chat-1.8B ollama pull internlm2:1.8b # 拉取 Qwen1.5-1.8B-Chat ollama pull qwen2.5:1.8b-instruct拉取完成后你就可以通过ollama run命令或者Ollama的Web界面与模型对话了。我们的所有测试都将基于这个环境进行。2. 基础能力实测对比我们先从几个模型的基础通用能力开始测试看看它们在理解、生成和逻辑上的基本功。2.1 指令遵循与格式要求测试提示词“请用JSON格式输出三本你推荐的中国古典文学名著包含书名、作者和朝代三个字段。”InternLM2-Chat-1.8B 输出{ books: [ { title: 红楼梦, author: 曹雪芹, dynasty: 清 }, { title: 西游记, author: 吴承恩, dynasty: 明 }, { title: 水浒传, author: 施耐庵, dynasty: 元末明初 } ] }点评完美遵循指令。JSON结构正确字段齐全内容准确。连“元末明初”这种细节都处理得很好。Qwen1.5-1.8B-Chat 输出[ { 书名: 红楼梦, 作者: 曹雪芹, 朝代: 清代 }, { 书名: 三国演义, 作者: 罗贯中, 朝代: 元末明初 }, { 书名: 西游记, 作者: 吴承恩, 朝代: 明代 } ]点评同样很好地遵循了指令。虽然键名用了中文“书名” vs “title”但这在中文语境下完全可接受甚至更直观。内容准确。本轮小结在严格的格式输出要求上两者都表现出色难分伯仲。都能准确理解JSON要求并填入正确信息。2.2 基础推理与逻辑测试提示词“如果所有猫都怕水而我的宠物毛毛是一只猫那么毛毛怕水吗请一步步推理。”InternLM2-Chat-1.8B 输出前提1所有猫都怕水。这是一个全称判断。前提2毛毛是一只猫。这是对毛毛的类别归属判断。根据逻辑学中的“全称实例化”规则如果所有S都是P那么任意一个S个体也是P。将规则应用于此所有猫S都怕水P毛毛是猫S的一个个体因此毛毛怕水P。结论是的毛毛怕水。Qwen1.5-1.8B-Chat 输出我们来一步步推理已知条件所有猫都怕水。已知条件毛毛是一只猫。因为毛毛属于“猫”这个类别而该类别的所有成员都具有“怕水”这个属性。所以毛毛也必然具有“怕水”这个属性。结论毛毛怕水。本轮小结面对简单的逻辑推理两者都能给出清晰、正确的步骤和结论。InternLM2的回答更偏向“学院派”提到了“全称实例化”这样的逻辑学术语Qwen1.5的表达则更通俗直白。在正确性上都是满分。2.3 中文文本生成与润色测试提示词“下面这句话有点生硬请把它改得更礼貌、更流畅一些‘把你刚才说的方案发我邮箱。’”InternLM2-Chat-1.8B 输出“您好麻烦您将刚才讨论的方案发送到我的邮箱谢谢” 或者更客气一点“请问方便将您刚才提到的方案发一份到我的邮箱吗非常感谢”Qwen1.5-1.8B-Chat 输出“您好可以请您把刚才提到的方案发到我的邮箱吗谢谢” 或者“麻烦您抽空将刚才说的方案发我邮箱一下辛苦了”本轮小结在文本润色和风格转换上两者都展现了良好的中文语感和实用性。都能生成不止一个选项且改写的句子确实更礼貌、更自然。InternLM2的第二个选项疑问语气更重显得更委婉Qwen1.5的“辛苦了”则带有一点同事间的熟络感。3. 进阶能力与“翻车”现场基础能力大家都不错那我们来点更有挑战性的看看它们的边界在哪里。3.1 数学计算与符号推理测试提示词“一个房间里有4个人每两个人都要握手一次一共要握手多少次请列出计算过程。”InternLM2-Chat-1.8B 输出这是一个组合问题。计算过程如下握手是两人之间的一次互动且与顺序无关A和B握手与B和A握手是同一场。从4个人中任意选择2个人进行握手这是一个组合数计算C(4,2)。组合数公式C(n, k) n! / [k! * (n-k)!]代入 n4, k2C(4,2) 4! / [2! * (4-2)!] (4321) / [(21) * (2*1)] 24 / 4 6。所以一共要握手6次。Qwen1.5-1.8B-Chat 输出我们可以这样计算 第一个人需要和剩下的3个人握手3次。 第二个人已经和第一个人握过手了所以他只需要和剩下的2个人握手2次。 第三个人已经和前两个人握过手了所以他只需要和剩下的1个人握手1次。 第四个人已经和所有人都握过手了。 所以总次数是3 2 1 6次。 因此一共要握手6次。本轮小结在数学计算上两者都正确解决了问题且展示了不同的解题思路。InternLM2使用了标准的组合数学公式更抽象Qwen1.5使用了更直观的累加推理法更容易理解。小模型能清晰展示过程令人惊喜。3.2 代码生成能力测试提示词“用Python写一个函数判断一个字符串是不是回文串正读反读都一样忽略空格和大小写。”InternLM2-Chat-1.8B 输出def is_palindrome(s: str) - bool: # 处理字符串转小写去空格 processed_s .join(s.lower().split()) # 判断是否与反转后相等 return processed_s processed_s[::-1] # 测试 print(is_palindrome(A man a plan a canal Panama)) # 应输出 True print(is_palindrome(hello)) # 应输出 FalseQwen1.5-1.8B-Chat 输出def is_palindrome(s): # 移除空格并转换为小写 s_clean s.replace( , ).lower() # 比较字符串和它的反转 return s_clean s_clean[::-1] # 示例 print(is_palindrome(racecar)) # True print(is_palindrome(Hello)) # False print(is_palindrome(A man a plan a canal Panama)) # True本轮小结在简单的代码生成任务上两者都交出了满分答卷。函数逻辑正确使用了Python的切片特性提供了测试用例。Qwen1.5使用了.replace(” “, “”)来去空格而InternLM2使用了.split()和.join()两种方法都可行。作为1.8B的模型代码能力足够应对日常脚本辅助。3.3 长上下文与信息提取压力测试我们模拟一个“大海捞针”测试在长文本中隐藏关键信息。测试提示词一段约500字的虚构故事讲述“小明去超市购物”其中夹杂了一句“他最喜欢的零食是巧克力夹心饼干”。故事末尾提问“小明最喜欢的零食是什么”InternLM2-Chat-1.8B 输出正确回答出了“巧克力夹心饼干”。在后续追问故事中其他无关细节时也能基本答对。Qwen1.5-1.8B-Chat 输出同样正确回答出了“巧克力夹心饼干”。信息提取准确。本轮小结在几百字的上下文长度内两者都表现出了可靠的信息提取和记忆能力。对于1.8B模型来说处理这种长度的文本游刃有余符合其宣传的上下文能力。4. 主观体验与风格差异除了客观能力聊天模型的主观体验也很重要。4.1 对话流畅度与主动性InternLM2-Chat-1.8B回答风格偏严谨、细致。喜欢分点1. 2. 3.或分步骤首先、其次、然后回答问题结构非常清晰。有时会显得有点“学术腔”或“官方口吻”。Qwen1.5-1.8B-Chat回答风格更偏向自然对话。语言更口语化衔接更流畅像是一个朋友在聊天。较少使用分点列表整体感觉更轻松。4.2 安全性与拒绝回答当我们尝试问一些涉及虚假信息或不当内容的问题时两者都表现出了良好的对齐性会礼貌地拒绝回答并引导向积极、健康的主题。InternLM2的拒绝措辞有时更正式Qwen1.5的拒绝则更简洁直接。4.3 创意与脑洞测试提示词“如果西瓜和葡萄吵架了谁会赢为什么”InternLM2-Chat-1.8B 输出从物理特性西瓜大而重葡萄小而多、营养价值、生长环境等多个角度“分析”了一场拟人化的辩论最后得出结论“它们不会真的吵架而是各有所长”并升华到和谐共处。逻辑严谨但脑洞不够开。Qwen1.5-1.8B-Chat 输出给出了一个更富童趣的回答“西瓜可能会赢因为它体积大声音可能更响不过葡萄们很团结可能会一起嚷嚷。但最好的结果是它们和好一起被做成水果沙拉”更有趣味性和想象力。5. 总结与选择建议经过多轮实测我们来做个总结。5.1 对比总结对比维度InternLM2-Chat-1.8BQwen1.5-1.8B-Chat简要评价指令遵循⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐两者均优秀能严格遵循复杂格式。逻辑推理⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐基础逻辑清晰都能展示推理过程。代码生成⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐简单任务完美胜任代码简洁正确。文本润色⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐中文语感好能生成礼貌、地道的改写。回答风格严谨、结构化、略学术自然、口语化、更轻松风格差异明显取决于你的偏好。创意表现偏重逻辑分析创意中等更具趣味性和想象力需要“脑洞”时Qwen1.5可能更讨喜。部署与生态优秀Ollama直接支持优秀Ollama直接支持两者在Ollama上体验一致都非常方便。5.2 如何选择选 InternLM2-Chat-1.8B如果你喜欢结构清晰、分点列明的回答。需要模型进行一些偏分析、总结类的任务。看重官方宣传的长上下文能力在更长的文本任务中可能有优势。欣赏略带“学院派”的严谨风格。选 Qwen1.5-1.8B-Chat如果你追求更自然、更像真人聊天的交互体验。用于创意写作、故事生成或需要一点幽默感的场景。希望模型的回答更简洁直接不喜过多结构化表述。是阿里云或通义千问生态的开发者便于后续集成。最终结论 在1.8B这个级别上InternLM2-Chat-1.8B 和 Qwen1.5-1.8B-Chat 都是非常出色的选择。它们的核心能力指令遵循、逻辑、代码在实测中差距微乎其微都能满足轻量级应用、学习研究和原型开发的需求。最大的区别在于风格。InternLM2像一位严谨的助理而Qwen1.5像一位健谈的朋友。你的选择完全可以基于你对对话风格的个人喜好。好消息是用Ollama部署和切换它们只需要一行命令不妨都试试感受一下哪位的“聊天性格”更对你的胃口。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。
