在AI模型本地部署、开源项目协作的日常场景中，我们总能遇到各种让人眼花缭乱的模型名：google_gemma-3-270m-it-qat-Q4_K_M.gguf、Qwen3-VL-8B-Instruct、DeepSeek-R1-Distill-Llama-8B-UD-IQ1_M.gguf……

这些名称里的it、qat、Instruct、Q4_K_M等标签，并非随意堆砌，而是AI行业历经迭代形成的通用命名约定。无论是Hugging Face、ModelScope的开源模型，还是llama.cpp社区的量化模型，都遵循着核心命名逻辑。

本文将系统拆解AI模型命名的底层规则、全量通用标签含义，以及不同场景下的命名规范对比，帮你彻底读懂模型名，快速选型、高效部署。

一、核心共识：AI模型通用命名结构

所有AI模型的命名，无论厂商、格式，都遵循“从核心到细节”的层级结构，越靠前的字段越关键，越靠后越偏向技术实现细节。

通用结构公式：

厂商/系列 - 版本号 - 参数量 - 模态/能力 - 微调类型 - 训练特性 - 量化/文件格式

结构拆解（按优先级排序）

位置	核心字段	含义	示例
1	厂商/系列	模型开发主体/产品系列	Qwen（阿里通义）、Gemma（Google）、Llama（Meta）
2	版本号	模型迭代版本	3、3.1、R1、Base
3	参数量	模型核心参数规模	270m（2.7亿）、8B（80亿）、70B（700亿）
4	模态/能力	模型核心功能/适用场景	VL（多模态）、Chat（对话）、RAG（检索增强）
5	微调类型	模型对齐方式/优化方向	Instruct（指令调优）、Function（函数调用）
6	训练特性	训练/压缩技术	Distill（蒸馏）、MoE（混合专家）、QAT（量化感知训练）
7	量化/格式	模型压缩方式/文件类型	Q4_K_M（4bit量化）、GGUF（文件格式）

关键规律：

• 参数量单位全球统一：K（千）、M（百万）、B（十亿），无歧义；
• 核心功能标签优先：Instruct/Chat/VL等必靠前，体现模型核心价值；
• 量化标签仅出现在文件名末尾：仅量化模型（.gguf/.bin）包含，未量化模型无此部分。

二、全量通用标签详解（行业共识版）

以下标签覆盖主流开源模型、量化模型，按使用场景分类，附含义、适用场景及典型案例，新手可直接对照查阅。

1. 核心能力/场景标签（最关键）

这类标签决定模型“能做什么”，是选型的核心依据，跨厂商通用。

标签	全称	核心含义	适用场景	典型案例
Base	Base Model	基础预训练模型，未经过指令/对话对齐	二次微调、领域适配	Qwen3-8B-Base、Llama-3-70B-Base
Instruct	Instruction Tuned	指令微调模型，适配人类自然语言指令执行	通用问答、工具调用、轻量助手	Qwen3-VL-8B-Instruct、Gemma-3-IT
IT	Instruct Tuned	Instruct的简写，语义完全一致	Google/Gemma系列、开源社区量化模型	gemma-3-270m-it、gemma-2-9b-it
Chat	Chat Model	多轮对话优化，侧重对话流畅性与自然度	闲聊、客服、陪伴型助手	Llama-3-8B-Chat、Qwen3-7B-Chat
Function	Function Calling	工具/函数调用优化，支持API/代码执行	智能体、自动化工具、API对接	Qwen-7B-Function、DeepSeek-Function
Tool	Tool Use	与Function同义，侧重工具使用能力	插件生态、跨系统协作	DeepSeek-Tool-LLM
RAG	Retrieval-Augmented Generation	检索增强生成优化，适配知识库问答	企业知识库、文档问答、信息检索	Phi-3-Context-Obedient-RAG
VL	Vision-Language	多模态模型，支持图文理解/生成	看图问答、图像描述、视觉任务	Qwen3-VL-8B-Instruct、BLIP-2-VL
Vision	Vision Model	纯视觉模型，侧重图像/视频理解	图像分类、目标检测、视觉分析	CLIP-Vision、ViT-B/32
Code	Code Optimized	代码生成/理解专用模型	编程辅助、代码调试、算法开发	CodeLlama-7B-Code、DeepSeek-Coder
Math	Math Reasoning	数学/逻辑推理优化模型	计算题、逻辑推导、学术计算	DeepSeek-Math-7B、Qwen-Math-14B
Reasoning	Enhanced Reasoning	强化推理能力，侧重逻辑链生成	复杂问题拆解、多步骤推理	Llama-3-70B-Reasoning

2. 训练/压缩技术标签

这类标签体现模型的训练方式、架构特性，影响模型性能、体积与推理效率。

标签	全称	核心含义	特点	典型案例
SFT	Supervised Fine-Tuning	监督微调，基础对齐方式	最常用，适配场景广	Qwen-7B-SFT、Llama-3-8B-SFT
DPO	Direct Preference Optimization	偏好对齐算法，优化生成质量	比SFT更自然，幻觉更少	DeepSeek-DPO-7B、Qwen-DPO-14B
ORPO	Odds Ratio Preference Optimization	轻量化偏好对齐，训练成本低	资源友好，效果接近DPO	Llama-3-8B-ORPO、Phi-3-ORPO
Distill	Distilled	模型蒸馏，压缩大模型为小模型	体积更小、推理更快，精度略有损失	DeepSeek-R1-Distill-Llama-8B
MoE	Mixture of Experts	混合专家架构，高效大模型	参数量大但推理效率高，成本低	Qwen-14B-MoE、DeepSeek-MoE-32B
Merge	Merged Model	模型合并，社区/厂商多模型融合	融合多个模型优势，适配多场景	Llama-3-Merge-8B、Qwen-Merge-14B
Context / 8k/32k/128k	Context Window	上下文窗口长度，支持的最大文本长度	越长，能处理的文本越多	Phi-3-Context-128k、Llama-3-70B-32k

3. 量化/文件格式标签（GGUF/llama.cpp专属）

这类标签仅出现在量化模型文件（.gguf/.bin）中，是llama.cpp社区的通用约定，直接决定模型在本地的部署成本与性能。

（1）量化等级标签（按精度从高到低）

标签	位宽	核心定位	精度表现	推荐场景
FP32	32bit	原始全精度模型	最高，无损失	科研、基准测试，本地部署不推荐
FP16	16bit	半精度模型	高，轻微损失	高性能设备推理，基准对比
Q8_0	8bit	高保真量化	极高，接近FP16	高性能本地部署（显存/内存充足）
Q6_K	6bit	高质量量化	高，速度优于Q8_0	中高端设备，追求平衡
Q5_K_M	5bit	综合最佳量化	良，速度/精度平衡	本地部署主力选择（16G内存+）
Q4_K_M	4bit	高性价比量化	良，体积小、速度快	主流本地部署（8G/16G内存，首选）
Q3_K_M	3bit	轻量化量化	中，体积大幅压缩	低配置设备（4G/8G内存）
IQ2_XXS / IQ1_M	1-2bit	极限压缩量化	低，精度损失明显	极低配置设备（4G内存内），应急使用

（2）量化训练标签

标签	全称	核心含义	精度优势	典型案例
QAT	Quantization-Aware Training	量化感知训练，训练阶段适配量化	比普通量化精度高10%-30%	gemma-3-270m-it-qat、Qwen-8B-qat-Q4_K_M
PTQ	Post-Training Quantization	后训练量化，训练完成后量化	常规精度，无额外训练成本	大部分开源量化模型

（3）文件格式标签

标签	全称	核心含义	适用场景
GGUF	Generic GGUF Format	llama.cpp标准格式，替代旧版GGML	本地推理（llama.cpp、ollama等）
GGML	Generic GGML Format	旧版量化格式，已淘汰	仅兼容旧版工具，不推荐新部署
.bin / .pth	PyTorch Model Format	PyTorch原生模型格式	二次开发、微调，不适合直接本地推理

4. 语言/领域标签

这类标签标注模型的语言适配性、领域适配方向，快速筛选场景化模型。

标签	含义	典型案例
zh / Chinese	中文优化模型	Qwen3-8B-Instruct-zh、Llama-3-8B-Chinese
en	英文优化模型	Llama-3-70B-en、Gemma-2-9B-en
Multi / Multilingual	多语言模型	Qwen3-14B-Multi、Mistral-7B-Multilingual
General / UD	通用领域模型	DeepSeek-R1-Distill-Llama-8B-UD、Qwen-7B-General
Domain / Law/Med/Fina	垂直领域模型（法律/医疗/金融）	Qwen-Law-7B、Med-Alpaca-13B

5. 行业高频缩写速查（必备）

缩写	全称	含义
IT	Instruct Tuned	指令调优
SFT	Supervised Fine-Tuning	监督微调
DPO	Direct Preference Optimization	直接偏好优化
ORPO	Odds Ratio Preference Optimization	比值偏好优化
QAT	Quantization-Aware Training	量化感知训练
PTQ	Post-Training Quantization	后训练量化
MoE	Mixture of Experts	混合专家
VL	Vision-Language	视觉语言
RAG	Retrieval-Augmented Generation	检索增强生成
UD	Universal Domain	通用领域（DeepSeek专属）

三、核心场景：通用命名规范对比

不同平台、不同模型类型的命名规范略有差异，但核心标签通用。以下是主流场景的规范对比，帮你在不同平台选型时不踩坑。

1. 开源平台规范对比（Hugging Face vs ModelScope）

规范维度	Hugging Face	ModelScope	共性
核心结构	厂商/作者/项目 - 版本 - 参数量 - 能力 - 微调类型	厂商/系列 - 版本 - 参数量 - 能力 - 微调类型	遵循“核心→细节”结构，参数量、能力标签通用
命名分隔符	多用-，部分用_	多用_，兼容-	分隔符无强制规范，不影响语义理解
量化标签	仅量化模型（.gguf）包含，后置	仅量化模型（.gguf）包含，后置	量化标签位置、含义完全一致
特殊标签	社区自定义标签多（如-chatml）	阿里系标签统一（如-instruct）	核心功能标签（Instruct/VL）通用
示例	meta-llama/Llama-3-8B-Instruct	qwen/Qwen3-VL-8B-Instruct	结构、核心标签完全一致

2. 量化模型规范对比（GGUF vs 常规量化）

规范维度	GGUF量化模型（llama.cpp）	常规量化模型（.bin/.pth）	共性
核心结构	模型名-能力-量化方式-量化等级.gguf	模型名-能力-量化类型.bin	核心功能标签通用，量化标签仅量化模型包含
量化标签	包含Q4_K_M/IQ1_M等llama.cpp专属标签	包含QAT/PTQ等训练量化标签	量化训练标签（QAT/PTQ）通用
分隔符	统一用-分隔各模块	多用-，部分用_	分隔符不影响语义，核心标签无歧义
示例	google_gemma-3-270m-it-qat-Q4_K_M.gguf	Qwen-8B-qat-Instruct.bin	核心功能标签（it/Instruct）含义一致

3. 厂商专属命名规范对比（主流大厂）

不同厂商有细微的命名习惯，但核心标签通用，选型时可快速适配。

厂商	核心系列	命名习惯	典型案例
阿里（通义）	Qwen	多用Instruct/VL，参数量用B/M	Qwen3-VL-8B-Instruct、Qwen-7B-Function
Google	Gemma	多用IT替代Instruct，版本号简洁	Gemma-3-270m-it、Gemma-2-9B-it-Q5_K_M
Meta	Llama	版本号明确（3/3.1），Chat/Instruct标签清晰	Llama-3-8B-Chat、Llama-3-70B-Instruct
DeepSeek	DeepSeek	多用Distill/UD/MoE，侧重推理优化	DeepSeek-R1-Distill-Llama-8B、DeepSeek-MoE-32B
Microsoft	Phi	多用Context/Obedient/RAG，轻量化	Phi-3-Context-Obedient-RAG-Q4_K_M

四、实战拆解：典型模型名全解析

结合上述规范，拆解3个高频模型名，帮你快速掌握命名解读逻辑，做到“扫一眼就懂”。

案例1：google_gemma-3-270m-it-qat-Q4_K_M.gguf

• 厂商/系列：Google Gemma 3
• 参数量：270m（2.7亿参数）
• 微调类型：it（指令调优，可直接对话）
• 量化训练：qat（量化感知训练，精度更高）
• 量化等级：Q4_K_M（4bit量化，本地部署首选）
• 文件格式：GGUF（llama.cpp标准格式）
• 解读结论：谷歌Gemma 3系列的2.7亿参数指令调优量化模型，采用量化感知训练优化，4bit量化，适合低配置本地部署。

案例2：Qwen3-VL-8B-Instruct

• 厂商/系列：阿里通义Qwen 3
• 模态：VL（视觉语言多模态）
• 参数量：8B（80亿参数）
• 微调类型：Instruct（指令调优，可直接图文问答）
• 解读结论：阿里通义千问3系列的80亿参数图文多模态指令模型，支持看图问答、图像描述，可直接部署使用。

案例3：DeepSeek-R1-Distill-Llama-8B-UD-IQ1_M.gguf

• 厂商/系列：DeepSeek R1
• 训练特性：Distill（模型蒸馏，基于Llama架构）
• 参数量：8B（80亿参数）
• 领域：UD（通用对话）
• 量化等级：IQ1_M（1bit极限量化，体积极小）
• 文件格式：GGUF
• 解读结论

原文http://ai.tekin.cn/blog/ai-model-naming-conventions-tags-standards