本教程集合专为中国初学者设计，提供基于 Linux 的开源大模型全流程指导，涵盖环境配置、50+ 主流模型部署、LoRA/全量微调、LangChain 集成等，包含 Chat-嬛嬛、AMchat 等端到端示例，帮助快速掌握大模型应用开发。
面向国内初学者的开源大模型全流程教程，提供基于 Linux 的环境配置、模型部署、高效微调及应用集成指导，降低开源大模型使用门槛。
本项目定位为面向国内初学者的开源大模型实践教程集合，核心用途是提供基于 Linux 平台的全流程指导，涵盖环境配置、模型部署、高效微调及应用集成。项目通过简化开源大模型的部署、使用和应用流程，帮助普通学生、研究者快速掌握本地部署、私域微调和应用开发技能。主要内容包括：通用环境配置指南、国内外主流开源 LLM（如 LLaMA、ChatGLM、InternLM 等）的部署教程、命令行调用与 WebDemo 部署、LangChain 框架集成，以及全量微调与 LoRA、ptuning 等高效微调方法。项目强调社区共建，鼓励用户提交 issue 或 PR 共同维护。
项目主要解决开源大模型部署与使用的高技术门槛问题。当前开源 LLM 层出不穷，但普通学生和用户需具备较强技术能力才能完成部署和使用，掌握某一模型的应用方法挑战较大。本项目通过核心贡献者的经验总结，为国内外主流开源 LLM 提供标准化的部署、使用与微调教程，并聚集社区共创者持续丰富教程内容，从而降低学习成本，让开源大模型更快融入普通学习者的生活与工作。
项目适合以下学习者：希望体验 LLM 但无条件获得或使用相关 API 的用户；需要长期、低成本、大量应用 LLM 的用户；对开源 LLM 感兴趣并希望亲手上手的爱好者；正在学习 NLP 并希望进一步深入 LLM 的学生；希望结合开源 LLM 打造领域特色私域模型的研究者；以及最广大、最普通的学生群体。项目提供从基础到进阶的路径，初学者可优先选择 Qwen1.5、InternLM2、MiniCPM 等模型入手。
项目未提供统一的全局安装脚本，安装方式因目标模型和硬件后端而异。一般步骤为：1) 准备 Linux 环境（如 Ubuntu 22.04），安装 Python 3.10+；2) 根据模型要求安装 CUDA 和 PyTorch（例如 CUDA 12.1 + PyTorch 2.3.0）；3) 参考对应模型目录（如 models/、models_amd/、models_ascend/、models_mlx/）下的环境准备文档安装特定依赖；4) 使用 pip 或 conda 安装框架，如 xtuner、vLLM、sglang、modelscope、transformers 等（具体版本见各模型教程）。例如 Chat-嬛嬛 示例中给出 pip install modelscope==1.16.1 等命令，AMchat 示例中使用 conda 创建环境。
学习建议遵循先环境配置、再模型部署使用、后微调的进阶路径。具体使用方式：1) 阅读 examples/readme.md 了解精选案例；2) 选择模型（推荐 Qwen1.5、InternLM2 等）进入对应教程目录，参考 support_model.md 的快速开始链接；3) 遵循示例项目（如 examples/Chat-嬛嬛、examples/AMchat-高等数学）的完整流程：数据准备 → 环境配置 → 模型微调 → 部署应用；4) 微调后可通过命令行调用、部署 WebDemo（如 Gradio）或集成到 LangChain 等框架中使用。每个示例提供详细步骤和代码（如 train.py），支持复现。
项目实现具有以下特点：1) 多硬件后端支持：提供 models_amd（AMD GPU）、models_ascend（华为昇腾 NPU）、models_mlx（Apple Silicon）等目录，适配不同推理后端如 vLLM、sglang、MindIE、MLX-LM；2) 微调框架统一：主要使用 xtuner 框架实现 LoRA、QLoRA 等参数高效微调，降低训练成本；3) 数据格式标准化：训练数据采用对话式 JSON 格式，包含 input 和 output 字段；4) 端到端示例丰富：涵盖数学（AMchat）、角色扮演（Chat-嬛嬛）、社交（天机）、个性化数字人（数字生命）等垂直领域，展示从数据到应用的全流程；5) 社区驱动：鼓励贡献，星火汇聚，共同构建维护。
主要面向国内初学者，包括学生、研究者、开源 LLM 爱好者，以及希望低成本长期应用 LLM 或打造私域模型的用户。项目提供从基础到进阶的路径，推荐从 Qwen1.5、InternLM2 等模型入手。
已支持 50+ 主流大语言模型，如 LLaMA、ChatGLM、InternLM、Qwen 系列、Gemma、MiniCPM 等，具体列表和对应教程见 support_model.md 文件。
建议先学习通用环境配置，再选择模型进入对应教程目录；遵循示例项目的完整流程：数据准备 → 环境配置 → 模型微调 → 部署应用。示例项目（如 examples/Chat-嬛嬛）提供详细步骤和代码，支持复现。
硬件需求因模型和微调方式而异。例如 AMchat 示例中建议 24GB 显存（如 RTX 3090）进行 QLoRA 微调；全量微调需要更高配置。具体见各模型教程中的环境准备部分。
任何人都可提交 issue 或 PR 来丰富教程内容；深度参与者可联系项目维护者加入团队。项目欢迎社区共建，以自由、平等的开源精神共同维护。