打造自己的大模型｜03篇 使用llama.cpp量化并在Mac上私有部署ChatGPT

Llama-Turbo Llama-Turbo 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-08-21 14:02:37 发布 1.1k 阅读 AI 写同款· GEO 优化 ›
Mac本地AI实战指南：Ollama+Llama.cpp+MLX全栈部署 本地大模型推理是指在终端设备（如Mac）上直接运行语言模型，无需依赖云端API。其核心原理基于硬件加速（Apple Silicon统一内存与Metal API）、轻量级推理引擎（Llama.cpp的GGUF量化加载、MLX对神经引擎的深度优化）及服务化封装（Ollama提供OpenAI兼容API）。该技术显著提升响应速度、保障数据隐私、降低使用成本，已广泛应用于代码补全、多模态内容生成、学术研究辅助等场景。本文聚焦Mac平台，详解如何利用Ollama调度、Llama.cpp/MLX执行、ComfyUI/LM 阅读详情

在之前的两篇文章中，我们利用LLaMA-Factory微调工具包，对Llama3模型，进行了中文语料适配的微调。并进行的微调大模型的评估和合并导出操作。

本篇文章，我们将对微调之后的大模型，进行量化处理，并在本地部署打造一个属于我们自己的ChatGPT。

认识GGUF格式

在之前的文章《本地部署中文Llama3并用弱智吧测试》中，我们知道Ollama可以运行GGUF导入的模型文件。

如何将我们训练的.safetensors格式文件转化为GGUF格式的文件，首先需要了解什么是GGUF格式文件。

大语言模型的开发通常使用PyTorch等框架，其预训练结果通常也会保存为相应的二进制格式，如pt后缀的文件通常就是PyTorch框架保存的二进制预训练结果。

我们在huggingface**上面看到很多.safetensors和.bin格式的模型文件，但我们在使用LM Studio，Ollama等客户端模型整合工具都会使用到GGUF格式的模型文件。

在这里插入图片描述

Georgi Gerganov（https://github.com/ggerganov） 是著名开源项目llama.cpp（https://github.com/ggerganov/llama.cpp） 的创始人，它最大的优势是可以在CPU上快速地进行推理而不需要 GPU。

创建llama.cpp后，作者将该项目中模型量化的部分提取出来做成了一个用于机器学习张量库：GGML（https://github.com/ggerganov/ggml） ，项目名称中的GG其实就是作者的名字首字母。它与其他张量库（tensor library）最大的不同，就是支持量化模型在CPU中执行推断。从而实现了低资源部署LLM。

而它生成的文件格式最初只存储了张量，这就是GGML工具，后来由于一些不足：

它无法有效地识别不同的模型架构，对超参数的添加和移除具有破坏性，这使得模型的迭代和升级变得复杂。

为此，在2023年8月份，Georgi Gerganov推出了GGUF作为后续的替代者，即：GGUF格式标准:

https://github.com/ggerganov/ggml/blob/master/docs/gguf.md

  • GGUF (GPT-Generated Unified Format) 是一种二进制模型文件格式，
  • 专为GGML及其执行器快速加载和保存模型而设计。
  • GGUF 是 GGML、GGMF 和 GGJT 的后继文件格式，通过包含加载模型所需的所有信息来确保明确性。
  • GGUF 被设计为可扩展的，以便可以在不破坏兼容性的情况下将新信息添加到模型中。
安装llama.cpp

在Mac M1芯片**的环境下，我们选择用homebrew安装。需要提前在Mac上安装好homebrew软件。

brew install llama.cpp

在这里插入图片描述

其他操作系统环境可以参考官方文档：https://github.com/ggerganov/llama.cpp/blob/master/README.md

利用llama.cpp转换成GGUF格式

参考文档：https://github.com/ggerganov/llama.cpp/blob/master/README.md#prepare-and-quantize

git clone --depth 1 https://github.com/ggerganov/llama.cpp.git

// 安装python依赖包
pip install -r requirements.txt

llama.cpp官方提供了转换脚本，可以将pt格式的预训练结果以及safetensors模型文件转换成GGUF格式的文件。

执行convert-hf-to-gguf.py文件，可以将model转化为GGUF格式：

python convert-hf-to-gguf.py models/mymodel/

在这里插入图片描述

在所在文件夹下，就会生成一个ggml-model-f16.gguf文件，当前模型权重参数的精度是f16。

在这里插入图片描述

将文件改名成xiaowu5759-llama3-chinese-f16.gguf。

量化模型并导入Ollama

量化模型，可以执行llama.cpp命令来进行量化：

# quantize the model to 4-bits (using Q4_K_M method)
./llama-quantize ./models/mymodel/ggml-model-f16.gguf ./models/mymodel/ggml-model-Q4_K_M.gguf Q4_K_M

同时也可以选择Ollama量化，Ollama导入GGUF格式文件，支持将f16.gguf模型文件在导入时候执行量化操作。

参考文档：Ollama导入模型 https://github.com/ollama/ollama/blob/main/docs/import.md

创建Modelfile文件：

FROM ./xiaowu5759-llama3-chinese-f16.gguf
TEMPLATE """{{ if .System }}<|start_header_id|>system<|end_header_id|>

{{ .System }}<|eot_id|>{{ end }}{{ if .Prompt }}<|start_header_id|>user<|end_header_id|>

{{ .Prompt }}<|eot_id|>{{ end }}<|start_header_id|>assistant<|end_header_id|>

{{ .Response }}<|eot_id|>"""
PARAMETER stop "<|start_header_id|>"
PARAMETER stop "<|end_header_id|>"
PARAMETER stop "<|eot_id|>"
PARAMETER stop "<|reserved_special_token"

执行命令：

ollama create -q Q4_0 xiaowu5759-llama3-chinese:8b

在这里插入图片描述

可以选择的量化等级有：

在这里插入图片描述

查看导入模型信息：

ollama show xiaowu5759-llama3-chinese:8b

在这里插入图片描述

导入完成，文件的大小占用了4.7GB。

open-webui进行对话测试

open-webui是一个为Ollama运行模型打造的WebUI页面。

多轮简单对话：

在这里插入图片描述

全程都是采用中文问答的形式，没有出现中英混答的现象。

编写代码能力测试：

在这里插入图片描述

至此，我们就完整的从数据准备，模型准备，微调训练，到模型评估测试，模型合并导出，到量化部署大模型，打造了一个完全属于我们自己的ChatGPT应用了。

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享**（安全链接，放心点击）**👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望
阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍
阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享**（安全链接，放心点击）**👈

​

标签
#llama #embedding #大模型 #LLM #本地化部署
#Llama3 #微调
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。
llama.cpp与Ollama实战指南：GGUF模型本地部署全解析 大模型推理框架是AI落地的关键基础设施，其核心在于将训练完成的模型高效、稳定、可控地运行在边缘或本地设备上。llama.cpp作为轻量级C/C++实现的模型解释器，通过GGUF格式实现跨平台、低开销、高确定性的前向计算；Ollama则在其之上构建了模型分发、运行时管理与配置即代码（Modelfile）等部署能力，显著降低工程门槛。二者协同解决了Windows与Linux环境下CUDA编译失败、国内镜像下载缓慢、量化格式不兼容、GPU加速失效等高频痛点，广泛应用于笔记本、台式机及嵌入式设备的私有化AI服务搭建 阅读详情

相关推荐

Code Llama开源代码大模型：本地部署与VS Code深度集成实战

代码大模型正从云端玩具走向本地化生产工具。其核心原理是基于海量真实代码（如500B token）对语法树、内存生命周期与异常传播路径的深层建模，从而在确定性、可控性与可审计性上突破传统AI编程的幻觉瓶颈。技术价值在于将开发者从环境配置、八股面试、入门断层三大痛点中解放，回归问题定义与架构权衡等高阶能力。典型应用场景包括VS Code实时补全、Java面试题逻辑图解、C++编译错误根因诊断及Python单元测试自动生成——尤其适配‘vscode配置c/c++环境’和‘java面试题’等高频搜索需求，真正实现开

dfdfadsf3443的博客 530

llamaccp 、 ollama 、lmStudio 区别

这三者不是竞品，是一条链：👉llama.cpp 让模型能跑👉Ollama 让模型能接👉LM Studio 让模型能用而真正有价值的那一层，是：👉你把模型接进业务流程的能力。

Anthony1453的博客 613

从ChatGPT到AIGC实战：核心原理、应用场景与私有化部署指南

人工智能生成内容（AIGC）是当前人工智能领域的前沿技术，其核心原理基于深度学习中的生成式模型，如生成对抗网络（GAN）、变分自编码器（VAE）和扩散模型。与传统的判别式模型不同，生成式模型通过学习数据分布来创造新的内容样本，这赋予了机器前所未有的内容创造能力。这项技术的核心价值在于，它能将海量数据转化为高质量、多样化的文本、图像、音频和视频等内容，极大地提升了内容生产的效率并降低了门槛。在应用场景上，AIGC已广泛应用于内容创作、代码生成、智能对话、设计辅助和个性化学习等多个领域，成为企业和个人提升生产力

weixin_30764883的博客 829

大模型部署工具 llama.cpp 介绍与安装使用

另外一个是量化，量化是通过牺牲模型参数的精度，来换取模型的推理速度。llama.cpp 提供了大模型量化的工具，可以将模型参数从 32 位浮点数转换为 16 位浮点数，甚至是 8、4 位整数。训练的过程，实际上就是在寻找模型参数，使得模型的损失函数最小化，推理结果最优化的过程。训练完成之后，模型的参数就固定了，这时候就可以使用模型进行推理，对外提供服务。大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约。llama.cpp 提供了模型量化的工具。

youmaob的博客 1万+

开源大模型本地部署实战：从Llama 3到生产级API服务

大语言模型（LLM）作为当前人工智能的核心技术，其部署方式直接关系到应用的性能、成本与可控性。从技术原理上看，LLM通过海量参数实现复杂的语言理解和生成，而部署方式则决定了其在实际工程中的可用性。开源模型的价值在于提供了从模型权重到推理框架的完整技术栈，使开发者能够实现私有化部署，从而在数据安全、成本控制和深度定制方面获得优势。在应用场景上，对于金融、医疗等敏感行业，以及需要高频调用和定制化需求的业务，开源模型的本地部署成为关键技术选择。本文以Meta Llama 3为例，结合**Ollama**和**ll

weixin_34408624的博客 393

Mac本地部署AI大模型：Ollama实战指南与集成应用

大型语言模型（LLM）作为人工智能的核心技术，通过海量数据训练获得强大的语言理解和生成能力。其原理基于Transformer架构，通过自注意力机制处理序列数据，实现上下文感知的预测。这项技术的价值在于能够将通用AI能力本地化部署，保障数据隐私并实现离线可用。在应用场景上，本地化模型特别适合需要数据安全、定制化需求以及网络不稳定环境下的智能助手、代码生成和知识问答等任务。借助Ollama这一针对Apple Silicon芯片优化的轻量级框架，开发者可以轻松在Mac上部署如Llama等开源模型，并通过OpenA

civtsbiqr522632413的博客 521

【AI实战】llama.cpp 量化部署 llama-33B

llama.cpp 量化部署 llama-33B

Zack的博客 1万+

本地AI助手部署指南：从Llama模型到RAG应用实战

大语言模型（LLM）作为人工智能的核心技术，通过海量数据训练获得理解和生成自然语言的能力。其工作原理基于Transformer架构，通过自注意力机制捕捉文本中的长距离依赖关系。这项技术的价值在于能够将通用智能封装为可调用的服务，极大提升了人机交互的效率和自然度。在应用场景上，LLM不仅可用于智能对话，更能通过检索增强生成（RAG）技术处理本地文档，实现私有知识库的智能问答。本文以构建本地AI助手为例，详细介绍了如何利用Llama.cpp等开源工具实现模型的量化部署，并结合向量数据库构建完整的RAG应用，让开

tang_zongyun的博客 511

打造自己的大模型｜03篇使用llama.cpp量化并在Mac上私有部署ChatGPT

在之前的两篇文章中，我们利用LLaMA-Factory微调工具包，对Llama3模型，进行了中文语料适配的微调。并进行的微调大模型的评估和合并导出操作。本篇文章，我们将对微调之后的大模型，进行量化处理，并在本地部署打造一个属于我们自己的ChatGPT。

Langchain的博客 1559

Llama 3本地CPU推理实战：从下载量化到嵌入终端工作流

大语言模型（LLM）本地化部署正成为开发者核心能力，其本质是将模型推理从云端API迁移至终端设备，依托CPU指令集优化与量化压缩技术实现低延迟、高可用的离线运行。关键技术路径包括GGUF格式转换、4-bit分组量化（如Q4_K_M）、llama.cpp轻量推理引擎调用，以及系统级资源管控（内存预留、温度限频、线程调度）。该方案显著降低使用门槛——无需GPU、不依赖CUDA，仅需16GB内存+现代CPU即可支撑8B参数模型稳定运行，在代码生成、文档理解、Git自动化等真实开发场景中达成秒级响应。本文聚焦Lla

diejiankuai3444的博客 589

【大模型】 使用llama.cpp 进行模型转换和量化

使用llama.cpp 进行模型转换和量化

静谧、淡雅 410

从零打造自己的大模型｜03篇使用llama.cpp量化并在Mac上私有部署ChatGPT

本篇文章，我们将对微调之后的大模型，进行量化处理，并在本地部署打造一个属于我们自己的ChatGPT。

huang9604的博客 720

LLaMA、llama.cpp和Ollama区别

Ollama是针对LLaMA模型的优化包装器，旨在简化在个人电脑上部署和运行LLaMA模型的过程。Ollama自动处理基于API需求的模型加载和卸载，并提供直观的界面与不同模型进行交互。它还提供了矩阵乘法和内存管理的优化。：llama.cpp是由Georgi Gerganov开发的，它是基于C++的LLaMA模型的实现，旨在提供更快的推理速度和更低的内存使用。：LLaMA是由Meta（Facebook的母公司）开源的大型语言模型，它提供了不同规模的模型，包括1B、3B、11B和90B等参数规模的版本。

大AI时代，人性化的信息更加难得可贵 4724

从微调到部署：使用LLaMA-Factory与Ollama打造私有化大模型服务

模型微调是机器学习领域的关键技术，它通过在预训练大模型基础上使用特定领域数据进行额外训练，使模型适应特定任务，从而解决通用模型在专业场景下表现不佳的问题。其核心原理是利用参数高效微调方法，在保留模型通用知识的同时注入领域专长。这项技术的价值在于能够以较低成本将强大的基础模型转化为垂直领域的专用工具，极大地提升了AI应用的精准度和实用性。在工程实践中，完整的微调工作流包括数据准备、训练执行、格式转换和最终部署。应用场景广泛覆盖了智能客服、技术问答、内容生成等需要私有化、定制化AI能力的领域。本文聚焦于LLaM

weixin_30856725的博客 626

YOLOv8模型INT8量化实战：解决sigmoid输出归零的坑（附代码修改）

本文详细介绍了YOLOv8模型INT8量化过程中遇到的sigmoid输出归零问题及其解决方案。通过修改模型导出代码、优化ONNX量化流程，并提供完整的部署优化技巧，帮助开发者在边缘计算设备上实现高效的模型推理。文章还包含量化效果验证和常见问题排查方法，助力开发者快速解决实际部署中的难题。

vvv99的博客 252

芯片低功耗设计实战：CPF与UPF流程选择指南（附工具对比）

本文深入探讨了芯片低功耗设计实战中CPF与UPF流程的选择策略。文章从两者本质差异与演进脉络出发，结合Cadence与Synopsys工具链的深度支持实况，为工程师提供了基于项目场景的决策框架。重点分析了在混合工具链环境下如何实施流程与验证，并强调了利用Spyglass等工具确保功耗意图无损传递的关键技巧，旨在帮助团队做出明智的流程抉择，提升设计效率与可靠性。

weixin_29197051的博客 405

Mac Studio部署120B大模型实战：功耗测试与VS Code集成指南

大语言模型（LLM）的本地部署已成为开发者关注的热点，其核心价值在于实现数据隐私保护与低延迟推理。通过量化技术（如GGUF格式）可大幅降低模型对硬件资源的需求，使在消费级硬件上运行百亿参数模型成为可能。在工程实践中，本地部署的关键在于平衡模型性能与硬件限制，特别是在功耗、散热和内存管理方面。以苹果Mac Studio（M2 Ultra芯片）为例，其统一内存架构为部署120B参数模型提供了硬件基础，但实际运行中需重点关注风扇噪音、发热控制与生成速度等实用指标。通过llama.cpp推理引擎与VS Code插件

aodiyi6351的博客 397

weblogic 集群搭建，双机部署，相关问题记录

4.5.集群搭建1 参考网址https://wenku.baidu.com/view/76365129cd1755270722192e453610661ed95aa4.html IP地址 端口 角色 192.168.1.160 9001 AdminServer ...

zl386119974的专栏 1670

Llama.cpp：纯C++轻量级LLM推理库实战指南

大语言模型（LLM）本地推理正从GPU密集型服务转向CPU友好型轻量化方案。Llama.cpp作为典型代表，以纯C++实现、GGUF格式支持和多级量化（如Q4_K_M）为核心，兼顾推理速度、内存效率与跨平台兼容性。其设计摒弃Python运行时开销，通过手动内存管理、指令集加速（AVX2/NEON/Metal）和算子融合，在消费级设备上实现稳定token生成。技术价值在于降低AI工程门槛——无需CUDA、不依赖Docker，单文件即可部署。典型应用场景包括离线知识库RAG、嵌入式AI助手、Obsidian等桌

diandingyin9417的博客 405

大数据领域数据建模的多源数据融合技术

在大数据时代，数据来源呈现出多样化的特点，包括企业内部的不同业务系统数据、外部的社交媒体数据、传感器数据等。这些多源数据蕴含着丰富的信息，但由于数据格式、语义、质量等方面的差异，难以直接进行分析和利用。多源数据融合技术的目的就是将这些来自不同数据源的数据进行整合、清洗、关联和统一，构建一个具有一致性和完整性的数据模型，以便更好地挖掘数据背后的价值，为企业决策、科学研究等提供有力支持。

Java大师兄的博客 1305

QT+Halcon实现螺纹检测

工业上要检测螺丝的内外直径、内外牙距、内外角度，现在比较好用的图像处理库，开源的opencv，收费的有halcon。为了实现螺纹检测，和对比螺纹检测拿个库比较好。分别用opencv和halcon实现了螺纹检测，通过对比发现用halcon实现的效果比较。现在用博客把实现过程记录下来： 1、需要检测的螺纹数据如下： 2、为了实现检测螺丝以上数据，螺纹内径、螺纹外径、螺纹外牙距、螺纹...

专注现代C++实战，从核心语法到高性能编程，助力开发者深入掌握系统级编程精髓。 7050

从零到一：手把手打通大模型预训练、微调、量化与移动端部署全流程

大语言模型（LLM）已成为人工智能领域的核心技术，其构建通常遵循从预训练到应用部署的完整流程。预训练阶段，模型在海量无标注文本上学习通用语言表示和世界知识，形成基础模型。随后，通过监督微调（SFT）技术，模型被教会理解和遵循人类指令，成为可交互的助手。为了将模型部署到资源受限的设备（如手机），模型量化技术至关重要，它通过降低参数精度（如从FP16到INT4）来大幅压缩模型体积和计算需求，是实现边缘计算和移动端AI应用的关键。本文聚焦于如何将SFT微调与模型量化等技术环节无缝衔接，构建一个从云端训练到手机端部

weixin_30417487的博客 351

YOLOv9电力巡检实战：绝缘子破裂/鸟巢识别+无人机自动定位

摘要：本文聚焦电力输电线路巡检的效率与安全痛点，提出基于YOLOv9与无人机的智能巡检解决方案。针对绝缘子破裂、鸟巢等高危缺陷，通过“无人机改装-模型训练-缺陷识别-工单生成”四阶段工程落地流程，实现全自动化巡检。系统采用大疆M300无人机搭载RTK模块与Jetson边缘计算盒，结合改进YOLOv9模型实时识别5类缺陷，通过4G传输将GPS定位与缺陷数据同步至工单系统。实测表明，该方案巡检效率达50公里/天（较人工提升10倍），缺陷发现率95%（提升40%），事故预防率98%。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！ 1511
上一篇： 打造自己的大模型-02篇｜LoRA微调大模型的评测和导出
下一篇： 上交2025最新-《动手学大模型》实战教程及ppt分享(附教程)
点赞 13
评论 0
书签 书签 22
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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