CMLM-ZhongJing中医大语言模型从零开始的完整入门指南【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJingCMLM-ZhongJing是首个专为传统中医领域设计的预训练大语言模型以古代医学巨匠张仲景命名将中医千年智慧与现代人工智能技术完美融合。该项目通过创新的多任务诊疗分解策略构建了13.5万专业指令数据在中医辨证处方能力上展现出超越GPT-4的专业水平为中医药现代化研究提供了强大的技术支撑。 核心功能全景图CMLM-ZhongJing的核心价值在于其专业化的中医知识处理能力让我们来一起探索它的主要功能模块功能模块核心能力应用价值中医辨证推理基于舌脉象、症状的证型分析辅助中医师进行精准辨证处方生成经典方剂推荐与剂量建议提供个性化治疗方案参考疾病机制解释中医病因病机理论阐释增强中医理论学习与教学多轮对话交互支持中医诊疗全流程对话模拟真实医患沟通场景跨专科泛化内外妇儿多学科应用适应不同中医专科需求 快速入门指南环境准备与安装让我们从零开始搭建CMLM-ZhongJing的运行环境克隆项目仓库git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing.git cd CMLM-ZhongJing安装Python依赖pip install torch transformers gradio模型下载与配置模型提供两个版本13B参数版本高性能GPU和1.8B参数版本单张T4显卡即可运行可通过HuggingFace平台直接下载预训练权重启动Web演示界面最简单的方式是通过Web Demo快速体验模型能力python WebDemo.py启动后在浏览器中访问http://localhost:7860即可开始与仲景模型对话。界面支持单轮和多轮对话您可以像咨询中医师一样与模型进行交流。基础代码调用示例如果您希望在代码中直接调用模型这里有一个简单的示例from transformers import AutoModelForCausalLM, AutoTokenizer # 加载模型和分词器 model_name CMLL/ZhongJing-2-1_8b tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained(model_name) # 构建中医咨询问题 question 我最近经常头晕、乏力舌苔薄白脉细弱这是什么证型 input_text fQuestion: {question}\n请给出中医辨证分析 # 生成回答 inputs tokenizer(input_text, return_tensorspt) outputs model.generate(**inputs, max_length500) response tokenizer.decode(outputs[0], skip_special_tokensTrue) print(response) 典型应用场景解析场景一中医症状咨询与辨证问题描述用户描述心痛彻背背痛彻心的症状需要中医辨证和处方建议。解决方案CMLM-ZhongJing能够准确识别该症状属于胸痹范畴分析病机为痰浊、瘀血阻滞心脉并推荐经典方剂如丹参饮、血府逐瘀汤等。预期效果模型不仅给出证型分析还能提供完整的方剂组成、剂量和用法说明帮助用户理解中医治疗思路。场景二复杂病例诊疗决策问题描述面对慢性肾炎肾功能不全的复杂病例需要结合现代医学诊断和中医辨证制定治疗方案。解决方案模型能够整合西医诊断信息蛋白尿、血肌酐升高和中医四诊信息舌红苔薄黄、脉细数给出阴虚火旺兼气虚的辨证和知柏地黄汤合黄芪龙牡散的处方建议。预期效果在专科医师测试中CMLM-ZhongJing的辨证处方方案与国医大师医案高度吻合展现出专业水准。场景三中医教育与知识传播问题描述中医学习者需要了解特定方剂的组成、功效和应用场景。解决方案模型可以提供详细的三元汤、四物汤等经典方剂的完整介绍包括方源、组成、主治、用法用量和现代研究进展。预期效果帮助中医学生和爱好者系统学习中医方剂知识理解方剂配伍原理和临床应用。 进阶技巧与优化性能优化建议硬件配置优化1.8B版本建议使用至少16GB显存的GPU如Tesla T413B版本需要高性能GPU建议使用A100或H100等专业计算卡CPU推理虽然支持但响应速度较慢适合测试环境内存使用优化# 启用量化技术减少内存占用 model AutoModelForCausalLM.from_pretrained( model_name, load_in_8bitTrue, # 8位量化 device_mapauto )推理速度优化使用批处理技术同时处理多个查询开启CUDA图优化加速推理调整生成参数平衡速度与质量数据质量提升技巧CMLM-ZhongJing的核心优势在于其高质量的中医指令数据构建策略。上图展示了人类医生参与的多任务治疗行为分解流程这一创新方法确保了模型的专业性和准确性。多任务分解策略将中医诊疗过程分解为15个专业任务包括患者治疗故事、诊断分析、舌脉象分析、处方制定等专家审核机制所有指令数据都经过专业中医师审核确保医学准确性多样化学习借鉴人类记忆机制通过穿插学习和间隔练习提升知识巩固度常见陷阱及规避方法常见问题原因分析解决方案模型幻觉医学知识不准确或过时定期更新医学知识库设置置信度阈值辨证偏差症状描述不完整提供更详细的四诊信息包括舌脉象处方风险剂量或配伍不当设置安全边界避免毒性药材超量响应延迟模型参数过大使用量化版本或优化推理流程 资源与扩展核心文档与代码项目主页包含完整的项目介绍和技术文档模型权重在HuggingFace平台提供下载源码目录src/包含主要的Python实现代码演示代码WebDemo.py提供基于Gradio的Web界面扩展学习方向中医知识图谱集成将模型与中医知识图谱结合增强推理能力构建症状-证型-方剂的多层关联网络多模态中医诊断结合舌诊图像识别技术集成脉诊数字化分析临床决策支持系统开发面向医院的中医智能辅助系统建立患者病历管理与分析平台社区与支持CMLM-ZhongJing项目由复旦大学、福耀科技大学等多所高校联合开发得到了50余名中医师的专业支持。如果您对项目有改进建议或希望参与开发可以通过项目提供的联系方式与团队取得联系。重要提醒本模型目前处于学术研究阶段所有输出结果仅供研究参考不构成医疗建议。临床诊断和治疗应由经验丰富的专业医师提供。我们期待通过持续的技术创新让古老的中医学与现代科技更好地融合为中医药现代化发展贡献力量。【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
CMLM-ZhongJing中医大语言模型：从零开始的完整入门指南
CMLM-ZhongJing中医大语言模型从零开始的完整入门指南【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJingCMLM-ZhongJing是首个专为传统中医领域设计的预训练大语言模型以古代医学巨匠张仲景命名将中医千年智慧与现代人工智能技术完美融合。该项目通过创新的多任务诊疗分解策略构建了13.5万专业指令数据在中医辨证处方能力上展现出超越GPT-4的专业水平为中医药现代化研究提供了强大的技术支撑。 核心功能全景图CMLM-ZhongJing的核心价值在于其专业化的中医知识处理能力让我们来一起探索它的主要功能模块功能模块核心能力应用价值中医辨证推理基于舌脉象、症状的证型分析辅助中医师进行精准辨证处方生成经典方剂推荐与剂量建议提供个性化治疗方案参考疾病机制解释中医病因病机理论阐释增强中医理论学习与教学多轮对话交互支持中医诊疗全流程对话模拟真实医患沟通场景跨专科泛化内外妇儿多学科应用适应不同中医专科需求 快速入门指南环境准备与安装让我们从零开始搭建CMLM-ZhongJing的运行环境克隆项目仓库git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing.git cd CMLM-ZhongJing安装Python依赖pip install torch transformers gradio模型下载与配置模型提供两个版本13B参数版本高性能GPU和1.8B参数版本单张T4显卡即可运行可通过HuggingFace平台直接下载预训练权重启动Web演示界面最简单的方式是通过Web Demo快速体验模型能力python WebDemo.py启动后在浏览器中访问http://localhost:7860即可开始与仲景模型对话。界面支持单轮和多轮对话您可以像咨询中医师一样与模型进行交流。基础代码调用示例如果您希望在代码中直接调用模型这里有一个简单的示例from transformers import AutoModelForCausalLM, AutoTokenizer # 加载模型和分词器 model_name CMLL/ZhongJing-2-1_8b tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained(model_name) # 构建中医咨询问题 question 我最近经常头晕、乏力舌苔薄白脉细弱这是什么证型 input_text fQuestion: {question}\n请给出中医辨证分析 # 生成回答 inputs tokenizer(input_text, return_tensorspt) outputs model.generate(**inputs, max_length500) response tokenizer.decode(outputs[0], skip_special_tokensTrue) print(response) 典型应用场景解析场景一中医症状咨询与辨证问题描述用户描述心痛彻背背痛彻心的症状需要中医辨证和处方建议。解决方案CMLM-ZhongJing能够准确识别该症状属于胸痹范畴分析病机为痰浊、瘀血阻滞心脉并推荐经典方剂如丹参饮、血府逐瘀汤等。预期效果模型不仅给出证型分析还能提供完整的方剂组成、剂量和用法说明帮助用户理解中医治疗思路。场景二复杂病例诊疗决策问题描述面对慢性肾炎肾功能不全的复杂病例需要结合现代医学诊断和中医辨证制定治疗方案。解决方案模型能够整合西医诊断信息蛋白尿、血肌酐升高和中医四诊信息舌红苔薄黄、脉细数给出阴虚火旺兼气虚的辨证和知柏地黄汤合黄芪龙牡散的处方建议。预期效果在专科医师测试中CMLM-ZhongJing的辨证处方方案与国医大师医案高度吻合展现出专业水准。场景三中医教育与知识传播问题描述中医学习者需要了解特定方剂的组成、功效和应用场景。解决方案模型可以提供详细的三元汤、四物汤等经典方剂的完整介绍包括方源、组成、主治、用法用量和现代研究进展。预期效果帮助中医学生和爱好者系统学习中医方剂知识理解方剂配伍原理和临床应用。 进阶技巧与优化性能优化建议硬件配置优化1.8B版本建议使用至少16GB显存的GPU如Tesla T413B版本需要高性能GPU建议使用A100或H100等专业计算卡CPU推理虽然支持但响应速度较慢适合测试环境内存使用优化# 启用量化技术减少内存占用 model AutoModelForCausalLM.from_pretrained( model_name, load_in_8bitTrue, # 8位量化 device_mapauto )推理速度优化使用批处理技术同时处理多个查询开启CUDA图优化加速推理调整生成参数平衡速度与质量数据质量提升技巧CMLM-ZhongJing的核心优势在于其高质量的中医指令数据构建策略。上图展示了人类医生参与的多任务治疗行为分解流程这一创新方法确保了模型的专业性和准确性。多任务分解策略将中医诊疗过程分解为15个专业任务包括患者治疗故事、诊断分析、舌脉象分析、处方制定等专家审核机制所有指令数据都经过专业中医师审核确保医学准确性多样化学习借鉴人类记忆机制通过穿插学习和间隔练习提升知识巩固度常见陷阱及规避方法常见问题原因分析解决方案模型幻觉医学知识不准确或过时定期更新医学知识库设置置信度阈值辨证偏差症状描述不完整提供更详细的四诊信息包括舌脉象处方风险剂量或配伍不当设置安全边界避免毒性药材超量响应延迟模型参数过大使用量化版本或优化推理流程 资源与扩展核心文档与代码项目主页包含完整的项目介绍和技术文档模型权重在HuggingFace平台提供下载源码目录src/包含主要的Python实现代码演示代码WebDemo.py提供基于Gradio的Web界面扩展学习方向中医知识图谱集成将模型与中医知识图谱结合增强推理能力构建症状-证型-方剂的多层关联网络多模态中医诊断结合舌诊图像识别技术集成脉诊数字化分析临床决策支持系统开发面向医院的中医智能辅助系统建立患者病历管理与分析平台社区与支持CMLM-ZhongJing项目由复旦大学、福耀科技大学等多所高校联合开发得到了50余名中医师的专业支持。如果您对项目有改进建议或希望参与开发可以通过项目提供的联系方式与团队取得联系。重要提醒本模型目前处于学术研究阶段所有输出结果仅供研究参考不构成医疗建议。临床诊断和治疗应由经验丰富的专业医师提供。我们期待通过持续的技术创新让古老的中医学与现代科技更好地融合为中医药现代化发展贡献力量。【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - CMLM-ZhongJing. Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
