多模态大模型微调实践！PAI+LLaMA Factory搭建AI导游

最新推荐文章于 2025-04-18 16:38:11 发布
最新推荐文章于 2025-04-18 16:38:11 发布
阅读量906 收藏 11
点赞数 5
CC 4.0 BY-SA版权
文章标签： 人工智能 产品经理 语言模型 大模型 LLM 程序人生 多模态大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/python1234567_/article/details/143437232

一、引言

AI的快速发展推动了各行各业的智能化转型和创新，随之而来的是对AI应用的迫切需求。

如何微调大模型、高效搭建AI应用成为了开发者们广泛关注的技术方向。阿里云人工智能平台PAI，联合开源低代码大模型微调框架LLaMA Factory ，共同打造多模态大模型微调训练最佳实践，通过微调 Qwen2-VL 模型，快速搭建文旅领域知识问答机器人，带您开启AI创新与应用之旅，点击阅读原文可马上体验～

二、详细实验步骤

1、环境准备和资源准备

为了顺利开发文旅领域知识问答机器人，首先需要准备好运行环境，包括开通阿里云交互式建模PAI-DSW服务并创建实例。

1.1领取PAI-DSW免费试用权益

前往文末“阅读原文”中的阿里云活动页面，领取PAI-DSW产品的免费试用资源包。新用户可免费获得试用资源，用于启动和运行实例，具体试用权益和试用规则请参考领取页面。老用户可创建按量付费实例，按小时计费，约6-30元/小时。

1.2开通机器学习PAI并创建默认工作空间

前往PAI控制台，其中关键参数配置如下：

  • 本教程地域选择：华北2（北京）。您也可以根据情况选择华东1（杭州）、华东2（上海）、华南1（深圳）地域。
  • 组合开通：本教程无需使用其他产品，去除勾选MaxCompute和DataWorks产品。
  • 服务角色授权：单击去授权，完成服务角色授权。

说明：更多详细内容，请参见开通并创建默认工作空间。

img

1.3 进入PAI NotebookGallery

登录PAI控制台。

在左侧导航栏中，选择快速开始>NotebookGallery。

img

在Notebook Gallery页面，单击进入“LLaMA Factory多模态微调实践：微调Qwen2-VL构建文旅大模型”教程。

img

img

在详情页面，您可查看到预置的LLaMA Factory多模态微调实践：微调Qwen2-VL构建文旅大模型教程，单击右上角的在DSW中打开。

img

在请选择对应实例对话框中，单击新建DSW实例。

在这里插入图片描述

1.4 创建PAI-DSW实例

在配置实例页面，自定义输入实例名称，例如DSW_LlamaFactory。

img

说明：

  • 若您是 PAI 产品新用户，请再次确认是否已领取免费使用权益，点击领取。若您未领取免费试用权益，或不符合免费试用条件，或历史已领取且免费试用额度用尽或到期，完成本实验将产生扣费，大约为6-30元/小时。
  • 请在实验完成后，参考最后一章节清理及后续，停止/删除实例，以免产生不必要的扣费或资源消耗。

GPU推荐使用 24GB 显存的 A10（ecs.gn7i-c8g1.2xlarge）或更高配置。

※ 支持免费试用的资源：

ecs.gn7i-c8g1.2xlarge、ecs.gn6v-c8g1.2xlarge、ecs.g6.xlarge

img

在配置实例页面的选择镜像区域，请确认镜像是否为官方镜像的modelscope:1.14.0-pytorch2.1.2-gpu-py310-cu121-ubuntu22.04。

在配置实例页面，未提及的参数保持默认即可，单击确认，创建实例。

请您耐心等待大约3分钟左右，当状态变为运行中时，表示实例创建成功，点击打开NoteBook。

img

1.5 运行Notebook教程文件

安装LLaMA Factory

根据教程指引，依次运行命令。

说明：单击命令左侧的运行▶按钮表示开始运行任务，当左侧为✅号时表明成功运行结束。

img

img

下载数据集

LLaMA-Factory 项目内置了丰富的数据集，放在了 data目录下。您可以跳过本步骤，直接使用内置数据集。您也可以准备自定义数据集，将数据处理为框架特定的格式，放在 data 下，并且修改 dataset_info.json 文件。

本教程准备了一份多轮对话数据集，运行下述命令下载数据。

说明：单击命令左侧的运行▶按钮表示开始运行任务，当左侧为✅号时表明成功运行结束。

img

2. 模型微调

2.1 启动 Web UI

单击命令左侧的运行▶按钮表示开始运行任务，当左侧为✅号时表明成功运行结束。

然后单击返回的URL地址，进入Web UI页面。

img

2.2 配置参数

进入 WebUI 后，可以切换语言到中文（zh）。首先配置模型，本教程选择 Qwen2VL-2B-Chat 模型，微调方法修改为 full，针对小模型使用全参微调方法能带来更好的效果。

img

数据集使用上述下载的 train.json。

img

可以点击「预览数据集」。点击关闭返回训练界面。

img

设置学习率为 1e-4，训练轮数为 10，更改计算类型为 pure_bf16，梯度累积为 2，有利于模型拟合。

img

在其他参数设置区域修改保存间隔为 1000，节省硬盘空间。

在这里插入图片描述

2.3 启动微调

将输出目录修改为 train_qwen2vl，训练后的模型权重将会保存在此目录中。点击「预览命令」可展示所有已配置的参数，您如果想通过代码运行微调，可以复制这段命令，在命令行运行。

点击「开始」启动模型微调。

img

启动微调后需要等待一段时间，待模型下载完毕后可在界面观察到训练进度和损失曲线。模型微调大约需要 14 分钟，显示“训练完毕”代表微调成功。

img

3. 模型对话

选择「Chat」栏，将检查点路径改为 train_qwen2vl，点击「加载模型」即可在 Web UI 中和微调后的模型进行对话。

img

首先点击下载测试图片1或测试图片2，并上传至对话框的图像区域，接着在系统提示词区域填写“你是一个导游，请生动有趣地回答游客提出的问题”。在页面底部的对话框输入想要和模型对话的内容，点击提交即可发送消息。

img

发送后模型会逐字生成回答，从回答中可以发现模型学习到了数据集中的内容，能够恰当地模仿导游的语气介绍图中的山西博物院。

img

点击「卸载模型」，点击检查点路径输入框取消勾选检查点路径，再次点击「加载模型」，即可与微调前的原始模型聊天。

img

重新向模型发送相同的内容，发现原始模型无法准确识别山西博物院。

img

三、资源清理和后续操作

  1. 资源清理

    • 在实验完成后，前往控制台停止或删除实例，以避免资源的持续消耗和不必要的费用。

  3. 后续使用

    • 在试用有效期内，可以继续使用DSW实例进行模型训练和推理验证，探索更多AI图像编辑的可能性。

四、晒出与AI 导游的创意对话，最高赢乐歌台式升降桌M2S

想必你通过实操，已经学会如何利用阿里云PAI-DSW和LLaMA Factory开源低代码大模型微调框架，微调 Qwen2-VL 模型，快速搭建文旅领域知识问答机器人。现在邀请你来到阿里云开发者社区参加**“使用PAI+LLaMA Factory 微调 Qwen2-VL 模型，搭建文旅领域知识问答机器人”活动，领取免费试用云资源，跟随教程完成作品生成并上传，得精美计时器，限量400个。邀请好友完成任务即有机会获得乐歌台式升降桌M2S、小米充电宝、小米双肩包等诸多好礼。点击阅读原文**查看活动详情～

img

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

AI_小站
关注
AI大模型：（二）3.1 微调训练详解
yztezhl的专栏
06-05 245
微调前先对模型进行One Shot 、Few Shot看看模型是否具备我们需要任务的知识，如果通过One Shot 、Few Shot prompt具备我们任务的知识，我们完全可以使用模型的prompt能力，写模板去实现，不用再微调了。如果不具备，那么我们就需要相关任务的标注数据来微调。 微调指在预训练模型(已经训练好的大模型)基础之上，使用少量数据对大模型的全部或部分参数进行调整，以达到在某个领域更好的效果。
AI大模型微调实战训练营，文旅对话 知识库 大模型实战（模型参数微调）
DAMOXINGHAITAI的博客
09-19 1261
AI大模型微调实战训练营是一个深入了解和实践AI技术的宝贵机会。通过微调，我们可以为文旅领域创造更具人性化的交互体验，同时也为知识库构建提供强有力的支持。在这个过程中，持续学习和实践是提升技能的关键。让我们一起探索AI大模型的无限可能，开启未来的智慧之旅。（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统
【03】LLaMA-Factory微调大模型——多模型部署
H66778899的博客
07-17 3408
【03】LLaMA-Factory微调大模型——多模型部署
LLaMA Factory多模态微调实践：微调Qwen2-VL构建文旅大模型
最新发布
机器学习是魔鬼的博客
04-18 1603
LLaMA Factory 是一款开源低代码大模型微调框架，集成了业界最广泛使用的微调技术，支持通过 Web UI 界面零代码微调大模型，目前已经成为开源社区内最受欢迎的微调框架之一，GitHub 星标超过 4.7 万。本教程将基于通义千问团队开源的新一代多模态大模型 Qwen2-VL-2B-Instruct，介绍如何使用 矩池云 平台及 LLaMA Factory 训练框架完成文旅领域大模型的构建。
LLaMA-Factory私有化部署 -- PAI-DSW
MilkLeong的博客
07-31 906
LLaMA-Factory的私有化部署与部署大模型的过程大体相同，都包括创建Python虚拟环境、下载项目文件及安装所需的依赖包，但在部署LLaMA-Factory时不需要再安装模型权重文件。LLaMA-Factory的requirements.txt文件包含了项目运行所需的所有Python包及其精确版本，可使用pip一次性安装所有依赖。建议在执行项目的依赖安装之前升级pip的版本，如果使用的是旧版本的pip，可能无法安装一些最新的包，或者可能无法正确解析依赖关系。使用下面的代码进行Pytorch的安装。
LLaMA-Factory微调多模态大语言模型教程
weixin_45783724的博客
05-30 8584
手把手教你微调多模态大模型
使用LLaMA-Factory部署多模态大模型
m0_74748557的博客
11-16 336
LLaMA-Factory部署多模态大模型的步骤详解
使用LLaMA-Factory快速训练自己的专用大模型
xx_nm98的博客
10-10 1622
本文聊聊 LLama-Factory，它是一个开源框架，这里头可以找到一系列预制的组件和模板，让你不用从零开始，就能训练出自己的语言模型（微调）。不管是聊天机器人，还是文章生成器，甚至是问答系统，都能搞定。而且，LLama-Factory 还支持多种框架和数据集，这意味着你可以根据项目需求灵活选择，把精力集中在真正重要的事情上——创造价值。使用LLama-Factory，常见的就是训练LoRA模型，增强模型在某方面的生成能力。
初学者如何对大模型进行微调？
python122_的博客
06-17 1508
现在大模型微调的门槛越来越低，市场上有大量开源微调框架。只要你会部署、有机器就能出个结果，赶紧动手玩起来吧！
大模型Prompt系列高效微调
lvaolan123456的博客
06-19 1159
国内外目前有很多大语言模型，如GPT3、GPT4、ChatGLM、Llama、Baichuan、PanGu等，在自然语言处理任务中各有千秋。在面对具体的任务时，我们需要对大语言模型在已有的基础上进行，通过相应的监督语料进行训练、微调等，以获得适应下游任务的模型。自从GPT、EMLO、BERT的相继提出，以Pre-training + Fine-tuning 的模式在诸多自然语言处理(NLP)任务中被广泛使用。
【课程总结】day31：多模态大模型初步了解
Deadwalk的专栏
10-16 1337
随着2024年5月14日GPT-4o的发布，多模态大模型逐渐成为行业热点，国内各大厂商阿里、百度、智谱也相继发布了自己的多模态大模型。本章内容，我们将从多模态的体验感受开始，逐步了解多模态大模型的架构组成、训练数据构成，最后搭建一个多模态大模型。多模态大模型是一种能够处理和理解多种数据类型（模态）的人工智能模型。这些模态通常包括文本、图像、音频和视频等。量化是将高精度浮点数表示（如32位浮点数）转换为低精度表示（如16位、8位或更低位数）的过程。这种转换可以显著减少模型的内存占用和计算复杂度。
【大模型微调】SWIFT：一种可扩展的轻量级基础设施用于微调
数智笔记
08-13 2884
最近在大型语言模型（LLMs）和多模态大型语言模型（MLLMs）方面的发展，利用基于注意力的Transformer架构，实现了卓越的性能和泛化能力。它们已经涵盖了传统学习任务的许多领域。例如，基于文本的任务，如文本分类和序列标注，以及以前使用不同模型解决的多模态任务，如视觉问答（VQA）和光学字符识别（OCR），现在可以基于一个基础模型处理。因此，LLMs和MLLMs，尤其是基于Transformer架构的模型的训练和轻量级微调，变得尤为重要。
Llama模型家族之使用 Supervised Fine-Tuning（SFT）微调预训练Llama 3 语言模型（一） LLaMA-Factory简介
大模型与Agent智能体
05-23 1509
微调大模型可以像这样轻松…
大模型(LLM)微调：3个实例详解数据准备
程序员鑫港的博客
02-26 1476
微调（Fine-tuning）是一种通过调整预训练模型，使其更好地适应特定任务的技术。它是迁移学习（Transfer Learning）的一种形式，在这一过程中，预训练模型的知识被重新利用并进一步调整，以满足新的数据需求。微调的核心在于利用现有的预训练模型，并通过新的数据调整权重，使其更好地执行目标任务。案例分析： 一个成功的微调案例是，它基于排名19的微调，最终在排名第10，并在聊天、数学和编程任务中表现优异。
LLaMA-Factory 数据集成从入门到精通
黎明鱼儿
04-07 1253
LLaMA-Factory 框架通过Alpaca/Sharegpt双格式体系实现多任务适配，其中Alpaca专注结构化指令微调（含SFT/DPO/预训练），Sharegpt支持多角色对话及多模态数据集成。核心配置依托 dataset_info.json 实现数据源映射、格式定义（formatting）、列名绑定（columns）及角色标签（tags）设置，需特别注意多模态路径与文本标记的严格匹配。优先级规则遵循：云端仓库 > 本地脚本 > 文件直读，配置时须规避角色标签冲突和路径验证疏漏等常见误区。
大模型微调
ljran0612的专栏
05-07 870
​​​​​ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。
广目多闻--基于多模态大模型的文旅游览助手 | OPENAIGC开发者大赛企业组优秀作品
RPA中国
10-10 506
本方案可以根据用户提供的博物馆展品照片、基于预先标出的值得关注的部分，为用户提供导游和问答互动，让游客便捷地获取相关知识、典故、轶事，增加游览兴趣，尤其是可作为研学用户的高效助手，在上线后继续拓展海外市场。用户点击生成遮罩，提交导览内容和简介，经审核和用户匿名投票后，达到标准的展示为新的”值得关注的区域“。本项目提出了一款可根据用户拍摄的博物馆文物与展品照片，使用户可以和多模态模型互动，获取导览内容，达到导游的目的。博物馆管理方在后台可新增、编辑、删除所属的展品、”重点区域“信息，保证专业性和严肃性。
阿里云部署ChatGLM-6B及ptuning微调教程
m0_54180573的博客
05-12 1494
修改完成后点击Teminal，还是在ptuning目录下执行。评估完成后会在output文件中生成generated_prediction.txt文件来汇报评估结果。
微调训练多模态大模型用什么工具，llama-factory吗
03-23
<think>好的，我现在需要回答用户关于微调训练多模态大模型使用什么工具的问题，特别是询问是否使用Llama-Factory。首先，我需要明确用户的问题核心：他们想知道哪些工具适用于多模态大模型的微调，以及Llama-Factory是否是其中之一。 首先，我应该回顾一下多模态大模型的基本概念。多模态模型通常处理文本、图像、音频等多种数据类型，因此微调这样的模型需要工具支持不同的数据模态和相应的处理流程。常见的例子包括CLIP、FLAVA、ALBEF等模型，这些模型在训练时需要同时处理图像和文本。 接下来，我需要列举当前流行的微调工具。这里可能需要分几个方面来考虑：通用深度学习框架、专门针对大模型的训练库、以及特定的工具或库如Hugging Face Transformers、DeepSpeed、ColossalAI等。此外，多模态可能需要特定的库，比如OpenAI的CLIP库、Hugging Face的Transformers中对多模态的支持，或者专门的库如MMPretrain（OpenMMLab的一部分）等。 然后，关于Llama-Factory，我需要确认它的具体功能和适用范围。根据我的知识，Llama-Factory主要是针对LLaMA系列模型的微调工具，可能更专注于文本模态。虽然LLaMA本身是纯文本模型，但如果有扩展支持多模态的版本或相关项目，可能需要进一步调查。不过，通常情况下，Llama-Factory可能不支持多模态的微调，因为它的设计初衷是针对LLaMA模型，而LLaMA是单一模态的。因此，用户如果需要进行多模态微调，可能需要其他工具。 接下来，我需要考虑用户可能的实际需求。如果他们有一个多模态模型需要微调，比如结合图像和文本的模型，他们可能需要使用支持多模态的框架。例如，Hugging Face的Transformers库现在支持一些多模态模型，如CLIP、ViT等，并且提供了相应的接口。此外，可能需要结合计算机视觉库如TorchVision或OpenCV来处理图像部分，使用NLP库处理文本部分，然后整合到训练流程中。 另外，分布式训练和高效微调技术（如LoRA、QLoRA）对于大模型尤为重要。DeepSpeed和ColossalAI提供了分布式训练的支持，而PEFT（Parameter-Efficient Fine-Tuning）库则实现了多种参数高效微调方法。这些工具在多模态场景下是否适用？可能需要具体情况具体分析，但通常这些技术是模型无关的，可以应用于不同架构，包括多模态模型。 然后，我需要总结推荐的工具链。例如，使用Hugging Face的Transformers和Datasets库来处理多模态数据加载和模型加载，结合Accelerate或者DeepSpeed进行分布式训练，使用PEFT实现参数高效微调。如果涉及到视觉部分，可能需要OpenMMLab的MMPretrain或其他视觉库。同时，自定义的数据预处理和训练循环可能需要PyTorch或TensorFlow来实现。 最后，需要明确Llama-Factory是否适合。根据其文档和功能，Llama-Factory主要针对LLaMA、BLOOM等纯文本模型的微调，可能不直接支持多模态任务。因此，用户如果需要处理多模态，可能需要选择其他工具，或者结合多个工具链来实现。 在回答时，需要结构清晰，分点列出常用工具，说明其适用场景，并指出Llama-Factory的定位，帮助用户理解其是否适合他们的需求。同时，提供实际的操作建议，比如如何组合不同工具来完成多模态微调任务，并推荐学习资源或文档链接，以便用户进一步探索。</think>微调多模态大模型时，工具的选择需综合考虑多模态数据处理、模型架构适配性及训练效率。以下是常用工具及适用场景的逐步分析： --- ### 一、多模态模型微调的常用工具 #### 1. **Hugging Face Transformers** - **功能**：支持文本、图像、音频等多模态模型（如CLIP、FLAVA）。 - **优势**： - 提供预训练模型接口（如`VisionTextDualEncoder`）。 - 集成数据集加载（`Datasets`库）和训练流程（`Trainer`类）。 - **适用场景**：快速实现多模态模型的加载与微调。 #### 2. **OpenMMLab系列（如MMPretrain）** - **功能**：专注于视觉-语言多模态任务。 - **优势**： - 预置多模态模型（如ALBEF、BLIP）。 - 提供完整的数据预处理和评估流程。 - **适用场景**：需处理图像-文本对的任务（如图文检索、视觉问答）。 #### 3. **DeepSpeed/ColossalAI** - **功能**：分布式训练加速。 - **优势**： - 支持ZeRO优化、混合精度训练。 - 显存优化，适合大模型训练。 - **适用场景**：大规模多模态模型的分布式微调。 #### 4. **PEFT（Parameter-Efficient Fine-Tuning）** - **功能**：参数高效微调（如LoRA、Adapter）。 - **优势**： - 减少显存占用，适配多模态模型结构。 - 可与Transformers库无缝集成。 - **适用场景**：资源受限时对多模态模型轻量化微调。 --- ### 二、Llama-Factory的定位与局限性 - **主要用途**：专注于**单模态文本模型**（如LLaMA、BLOOM）的微调。 - **局限性**： - 当前版本（截至2023年）**不支持多模态数据输入**（如图像、音频）。 - 未内置视觉/音频处理模块。 - **适用场景**：纯文本任务的模型微调（如对话生成、文本分类）。 --- ### 三、多模态微调的实践建议 1. **工具链组合示例**： - **数据处理**：Hugging Face `Datasets` + TorchVision/OpenCV。 - **模型加载**：Transformers库（CLIP）或 OpenMMLab。 - **高效训练**：DeepSpeed + PEFT（LoRA）。 - **实验管理**：MLflow/W&B记录多模态实验指标。 2. **代码片段示例（CLIP微调）**： ```python from transformers import CLIPModel, CLIPProcessor, Trainer # 加载多模态模型和处理器 model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32") processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32") # 自定义数据集（图像-文本对） dataset = load_your_dataset() # 需实现__getitem__返回{"images": PIL.Image, "texts": str} # 使用Trainer微调 trainer = Trainer( model=model, train_dataset=dataset, args=TrainingArguments(output_dir="./results"), ) trainer.train() ``` --- ### 四、学习资源推荐 1. **文档**： - [Hugging Face多模态教程](https://huggingface.co/docs/transformers/multimodal) - [OpenMMLab实战指南](https://github.com/open-mmlab/mmpretrain) 2. **论文**： - 《Learning Transferable Visual Models From Natural Language Supervision》（CLIP原论文）。 - 《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》。 --- ### 总结 若需微调**多模态大模型**，建议选择Hugging Face生态或OpenMMLab等专用工具；而**Llama-Factory更适用于纯文本模型**。实际项目中，常需组合多个工具实现端到端流程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值