Awesome-Chinese-LLM 实战：3 步从选中文底座模型到垂直领域微调-开发者社区

Awesome-Chinese-LLM 实战：3 步从选中文底座模型到垂直领域微调

【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

Awesome-Chinese-LLM 是收录 100 多个开源中文大模型资源的资料库，面向可私有化部署的小规模模型，覆盖底座模型、垂直领域微调模型、数据集与训练教程。这篇文章用「看图 → 选底座 → 跑部署」三步，讲清资源地图怎么读、底座怎么选、第一个模型怎么落地。

中文大模型资源地图：左侧是各底座模型家族，右侧是它们的微调模型，一张图看清算谱

🧭 中文大模型资源地图怎么读：核心资产一表看懂

底座模型和垂直领域微调模型有什么区别

很多人第一次看会被 Base 和 Chat 这类词绕晕。底座模型（Base）是预训练出来的大模型，是所有二次微调的地基；垂直领域微调模型则是拿底座模型加上医疗、法律、金融等领域数据再训练出来的产物。读这个项目时先分清这两个角色，后面章节就好理解了。

资源类型	它是什么	去哪里找
底座模型	预训练大模型，一切二次微调的地基	「模型」章节，分文本与多模态两块
垂直领域微调模型	基于底座用领域数据再微调的模型	「应用」章节，按医疗、法律、金融分节
数据集	预训练、SFT（监督微调）、偏好三类中文语料	「数据集」章节，三类各占一节
训练 / 部署框架	做微调和推理部署的工具	README 第 4、5 节

数据集、框架和教程都放在哪

模型章节之后，README 还依次整理了数据集、训练微调框架（如 DeepSpeed Chat、ChatGLM Efficient Tuning）、推理部署框架（如 vLLM），以及 LLM 评测、提示工程、实战教程等内容。「想自己训一个模型」需要的每一步资料都能在这里找到，不用到处翻帖子。

🧩 新手场景：两个真实用法搭领域中文大模型

搭法律问答助手：3 分钟定位法律大模型

想象你要给律所内部工具加一个法律咨询问答能力。不用自己从头训，直接翻到「应用 - 法律」小节：獬豸、LaWGPT、LexiLaw、Lawyer LLaMA、韩非、ChatLaw 等法律大模型都列在这里，每个模型用了什么底座、哪些微调数据都写清楚了。这张行业思维导图的文本版在 doc/Legal.md，可以打开对照看。

中文法律大模型思维导图：逐个标注各模型的底座、训练数据与算力配置

搭金融问答机器人：从底座到聚宝盆

另一个常见需求是金融问答，比如解读财报或分析政策文件。去「应用 - 金融」小节：从 7B 级的聚宝盆（Cornucopia）到千亿级的轩辕，FinGPT、DISC-FinLLM 也列了各自的训练数据与推理框架，按显卡预算挑一个即可。对应的思维导图文本版是 doc/Financial.md。

中文金融大模型思维导图：覆盖聚宝盆、轩辕、FinGPT 等模型的底座与数据配置

🔧 实战 3 步：从克隆仓库到第一次部署

第一步：克隆仓库并看底座模型概览表

先把资源库拉到本地，执行git clone https://gitcode.com/GitHub_Trending/aw/Awesome-Chinese-LLM，然后打开 README.md 顶部的「常见底座模型细节概览」表。这张表列了各底座的参数大小、训练 token 数、最大上下文长度和是否可商用，是选模型的第一手依据。

第二步：选底座并找到配套的微调模型和数据

按显存挑一个：ChatGLM、Qwen、Baichuan 这类 6B-7B 级模型量化后消费级显卡就能跑，13B 以上要多留显存。定了底座后再回「应用」章节查两件事：这个底座派生出哪些垂直模型（例如 ChatGLM 系列下的医疗、法律模型），以及有哪些现成数据集可用（如 Huatuo-26M 医疗问答、COIG 指令语料）。

第三步：选微调框架并跑通推理部署

想自己微调的话，从 README 第 4 节挑工具，比如 ChatGLM Efficient Tuning 和 LLaMA Efficient Tuning，都支持 LoRA、QLoRA 这类低成本微调模式。只想用现成模型的话，第 5 节列了 vLLM 等推理部署框架，「LLM 实战教程」小节还有现成的部署示例可以直接照做。