本文详细介绍了11种参数高效微调（PEFT）方法，包括LoRA、QLoRA、适配器调整等，并对比了它们的优缺点和适用场景。此外，还介绍了基于偏好对齐的微调方法（RLHF系列）和其他方向的微调技术，如混合专家（MoE）和量化技术。最后，探讨了最新前沿方向，如Online DPO、MobiFe、PiSSA/LoRA-GA和FLoRA/ReLoRA。对于想要在大模型微调领域入门或深入了解的开发者来说，本文提供了全面且实用的指导。

一、参数高效微调（PEFT）方法

常用微调方法对比：

微调方法	核心思想	主要特点 / 优势	适用场景 / 备注
LoRA	在原始权重矩阵旁引入两个低秩矩阵（A和B），通过训练这两个小矩阵来近似权重的更新量。	参数效率高，不增加推理延迟（可将低秩矩阵合并回原权重），显著降低训练参数量和显存占用。	适用于大多数场景，尤其是资源有限时；与QLoRA结合可进一步压缩显存。
QLoRA	在LoRA的基础上，将预训练模型量化为4-bit精度（如NF4格式），再进行低秩适配器训练。	极大降低显存占用（例如33B模型可在24GB显卡上训练），同时保持接近全量微调的性能。	资源极度受限的场景，需要在单卡上微调数十亿甚至百亿参数级模型。
适配器调整	在Transformer的每个层或选定层之间插入小型神经网络模块（适配器），微调时只更新适配器参数。	保持原模型参数不变，通过插入可训练模块实现任务适配，模块化程度高，易于切换任务。	多任务学习场景，或需要为不同任务保留独立、轻量模块时。
前缀调整	在输入序列前添加一组连续可微的“虚拟”前缀向量，训练时仅优化这些前缀参数。	不修改模型内部权重，为不同任务保存独立前缀即可，存储成本低；前缀作为上下文直接影响模型行为。	生成类任务，或需要为每个任务保存极轻量参数（一个前缀）的场景。
提示调整	在输入层添加少量可训练的连续提示向量（软提示），训练时只更新这些提示嵌入。	参数极简，通常只添加几个或几十个可训练向量；在冻结原模型的情况下，通过提示引导模型输出。	分类、简单文本理解等任务，追求极致的参数效率。
P-Tuning （基于提示的微调）	使用一个LSTM模型作为提示编码器，动态生成输入层的虚拟标记嵌入。	通过LSTM捕捉上下文依赖，生成的提示更灵活、适应性强；能处理更复杂的任务。	需要细粒度控制或上下文理解较复杂的任务（如序列标注），但计算量相对更高。
P-Tuning v2	在P-Tuning基础上，将连续提示扩展到模型的多层（每一层都添加独立的可训练提示）。	增加了可训练参数量，提升了在复杂NLU任务和较小模型上的表现；解决了深层模型中提示影响不稳定的问题。	复杂的自然语言理解任务，或使用中小规模基座模型时。
BitFit	只微调模型中的偏置项（bias terms）和归一化层的参数，冻结所有权重矩阵。	参数效率极高，更新的参数通常不到模型总量的0.1%，实现极其简单。	选择式方法
Diff Pruning	通过一个可训练的掩码（mask）来动态决定在训练过程中应该更新哪些权重。	更灵活，但引入了额外的计算开销。	选择式方法
DoRA	将LoRA进一步分解为方向和大小两个分量分别进行低秩适应，可以看作是LoRA的改进变体。	在LoRA基础上提升了微调效果和稳定性，参数效率与LoRA相当。	重参数化方法
MoRA	提出“高秩更新”的概念，通过引入更复杂的结构来实现比LoRA更高秩的权重更新。	在需要更大灵活性的复杂任务上，可能取得比LoRA更好的效果。	重参数化方法

---

📊 各微调方法优缺点补充表

微调方法	缺点	Transformers 支持情况
LoRA	1. 谱学习能力受限：更新矩阵的奇异值远低于原始权重，难以彻底遗忘预训练中的不良模式（如后门攻击）。 2. 低秩瓶颈：秩 r 限制了它能学习的“知识量”，在复杂任务上可能效果不如全参数微调。 3. 性能与秩的权衡：需要手动调优 r 值，在效果和效率间做取舍。	✅ 完美支持。通过 peft 库中的 LoraConfig 实现，是 Hugging Face 生态中最成熟、应用最广的 PEFT 方法。
QLoRA	1. 实现复杂：涉及 4-bit 量化（NF4）、双量化和分页优化器，配置比 LoRA 复杂。 2. 精度损失风险：虽然量化设计精巧，但相比全精度训练，仍可能带来微小的性能损失。 3. 推理需额外处理：基座模型是量化的，部署时需确保环境支持，或合并为完整精度。	✅ 完美支持。peft 库配合 bitsandbytes 库可直接调用，是 Hugging Face 官方推荐的超大模型微调方案。
适配器调整	1. 推理延迟增加：引入额外模块会略微增加前向传播的计算量和推理延迟。 2. 生成任务效果稍逊：在摘要、对话等生成任务上，效果提升往往不如 LoRA 明显。 3. 架构侵入性：需修改模型结构插入 Adapter 层。	✅ 良好支持。peft 库原生支持 AdapterConfig，Hugging Face 的 Transformers 模型兼容此方法。
前缀调整	1. 占用输入长度：可训练前缀会占用模型的上下文长度，减少处理有效输入的空间。 2. 训练稳定性较低：优化连续的虚拟 token 比微调模型参数更难，训练过程可能不够稳定。 3. 性能表现波动：在部分任务上性能不及 LoRA。	✅ 良好支持。peft 库中的 PrefixTuningConfig 提供了标准实现。
提示调整	1. 任务容量有限：仅通过输入层少量向量引导模型，对于复杂任务的表达能力有限。 2. 效果不稳定：对初始化超参数敏感，不同随机种子下效果差异可能较大。 3. 受模型规模影响：在较小模型（<10B）上效果通常不如微调，主要适用于超大模型。	✅ 完美支持。peft 库中的 PromptTuningConfig 提供标准实现，是入门最简单的 PEFT 方法之一。
P-Tuning	1. 表征能力受限：其提示编码器（LSTM）的设计导致处理复杂数据分布时，不同类别的样本表征可能难以有效分离。 2. 计算开销增加：引入了 LSTM 提示编码器，增加了少量额外参数和计算量。 3. 对数据质量敏感：在数据增强或改动较大时，性能可能显著下降。	✅ 良好支持。peft 库通过 PromptEncoderConfig 支持此方法，在文本分类等 NLU 任务上应用广泛。
P-Tuning v2	1. 参数量相对增加：相比 P-Tuning，在多层添加提示显著增加了可训练参数量。 2. 对模型架构依赖：在不同 Transformer 层插入连续提示的效果差异较大，需针对性调试。 3. 小模型上优势不明显：在较小规模模型上，性能提升可能不如直接使用 LoRA。	✅ 良好支持。peft 库的 PrefixTuningConfig 实际上常被用于实现 P-Tuning v2 的多层提示插入。
BitFit	1. 效果上限较低：仅训练偏置项，对模型行为的调整能力非常有限，在复杂任务上效果远不如 LoRA。 2. 适用任务局限：主要用于相对简单的任务或作为快速基线，不适合需要大幅调整模型的场景。	✅ 原生支持。虽无专用配置类，但通过设置 requires_grad = False 冻结所有权重，只解冻 bias 参数即可轻松实现。
Diff Pruning	1. 计算开销较大：训练时需同时存储原始权重和可学习的掩码（mask），显存占用比 LoRA 高。 2. 实现复杂：相比 LoRA，代码实现更复杂，社区应用较少。 3. 未成为主流：后续研究较少，生态支持远不及 LoRA。	⚠️ 非原生支持。需手动实现掩码机制或寻找第三方实现，Hugging Face 官方 peft 库未集成此方法。
DoRA	1. 参数量微增：相比 LoRA 增加了一个表示“幅度”的向量，可训练参数略多于 LoRA。 2. 社区应用较新：是较新的改进方法，生态工具和文档不如 LoRA 丰富。 3. 收益与任务相关：在简单任务上性能提升不明显，复杂任务收益更大。	✅ 已有支持。peft 库较新版本已开始集成 DoRA 的实现，可直接通过 LoraConfig 的参数开启。
MoRA	1. 实现更复杂：通过引入更复杂的结构（如频域变换）来实现高秩更新，代码实现和调优门槛较高。 2. 社区应用极少：作为前沿探索，尚未形成广泛的应用生态。	⚠️ 暂无官方支持。peft 库未集成此方法，需从官方论文仓库获取代码，并手动适配。

💡 关键结论

1. 关于 Transformers 生态：表格中的绝大多数方法（LoRA、QLoRA、Adapter、Prefix Tuning、Prompt Tuning、P-Tuning、P-Tuning v2、BitFit、DoRA）都可以通过Hugging Face 的peft库，在 transformers 框架下轻松完成训练。

2. 当前首选：如果你的资源有限且追求稳定效果，LoRA及其变体（QLoRA、DoRA）是目前社区最主流、生态支持最好的选择。

3. 策略：

• 资源极度受限（如单卡跑百亿模型）：选 QLoRA。
• 追求最佳效果，且任务复杂：选 LoRA或 DoRA，适当增加 r 值。
• 需要快速为多个任务切换能力：选 Adapter 或 Prefix Tuning。
• 仅做极简单的基线测试：选 BitFit。

总结

这11种方法都属于参数高效微调（PEFT），核心理念是冻结预训练模型的大部分参数，仅训练少量额外参数，从而在有限的计算资源下高效适配下游任务。

从资源占用看：QLoRA、提示调整、前缀调整的显存需求最低；LoRA和适配器调整次之；P-Tuning v2因添加多层提示，参数量略多。

从任务适配能力看：P-Tuning v2、P-Tuning、LoRA通常能取得与全量微调更接近的效果，尤其在复杂任务上。

从推理效率看：LoRA（合并权重后）和适配器调整（需前向适配器层）各有特点，而前缀/提示调整会增加输入长度，略微影响推理速度。

选择时可根据你的基座模型大小、可用显存、任务复杂度以及是否需要多任务切换来决定。

二、基于偏好对齐的微调方法（RLHF系列）

这类方法与前面的PEFT思路完全不同，它不是为了“参数高效”，而是为了让模型的输出更符合人类的偏好和价值观。ChatGPT、Claude等对话模型都重度使用了这套方法。

微调方法	核心思想	工作流程 / 特点
SFT	使用大量“人类提问-理想回答”的示范数据，让模型通过监督学习模仿这些回答。	是RLHF流程的第一步，建立模型的指令遵循基础。但模型只学会“怎么做”，没学会“什么更好”。
RLHF	通过强化学习来优化模型，使其行为与人类偏好对齐。	三阶段流程 ：1. SFT建立基础；2. 训练奖励模型（Reward Model）来模拟人类偏好打分；3. 用PPO等强化学习算法根据奖励优化模型。
DPO	直接偏好优化，绕过RLHF中复杂的强化学习环节。	直接用“好回答-差回答”的对比数据来优化模型，让模型学会偏好判断。实现更简单，训练更稳定。
KTO	基于诺贝尔奖得主的前景理论（ Prospect Theory），引入损失厌恶心理。	只需要简单的“好/坏”二元标注，而非成对比较，数据标注更容易，更符合人类心理。
ORPO	将SFT和偏好学习合并为单阶段完成。	通过优化偏好回答与非偏好回答的概率比值，一步到位，训练效率更高。

三、其他方向的微调技术

类别	代表性技术 / 思路	核心思想
混合专家（MoE）	将模型内部划分为多个“专家”模块，训练时根据输入只激活部分专家。	在保持总参数量大的同时，控制实际计算量，实现高效训练和推理。
量化技术	QLoRA（已介绍）、AWQ、GPTQ等。	将模型权重从高精度（如FP16）压缩到低精度（如INT4、INT8），大幅降低显存占用，是超大模型微调的基础。
提示学习扩展	上一轮已介绍的Prompt Tuning、Prefix Tuning等。	在不改动模型参数的情况下，通过优化输入端的连续提示向量来引导模型输出。

四、最新前沿方向

Online DPO：将DPO从离线静态数据升级为在线持续学习，在模型实际使用过程中实时收集用户反馈并纳入训练，让模型能够动态适应用户偏好的变化。

MobiFe：面向移动端设备的极轻量微调，进一步压缩适配器大小。

PiSSA / LoRA-GA：对LoRA的初始化策略进行改进，让低秩矩阵从一开始就承载更有意义的信息，加速收敛并提升效果。

FLoRA / ReLoRA：将LoRA与联邦学习或持续学习场景结合，解决分布式训练中的参数高效微调问题

这几个前沿的微调方法它们的核心思路都是对现有技术（主要是LoRA和DPO）进行有针对性的改进，以解决特定场景下的痛点。

DPO 是 Direct Preference Optimization（直接偏好优化）的缩写。它是一种无需强化学习的对齐方法。与传统的 RLHF（基于人类反馈的强化学习）不同，DPO 不需要先训练一个奖励模型，再用 PPO 等强化学习算法去优化语言模型。相反，它通过一个闭式损失函数，直接在“好回答”和“差回答”的偏好数据上进行优化，让模型学习到更符合人类偏好的输出。简单来说，RLHF 的流程是“训练奖励模型 → 用强化学习优化语言模型”，而 DPO 把这两步合并成了一步：直接用偏好对比数据来调整语言模型，训练更稳定，实现也更简单。

---

🚀 Online DPO：让模型在“竞争”中持续进化

Online DPO旨在解决标准DPO的一个关键局限：它只能使用静态的离线数据进行一次性训练，无法处理持续不断的新偏好数据，且容易在学习新任务时“灾难性遗忘”旧任务。你可以把它想象成让一个学生在做了一堆“好/坏”答案的对比练习题后就去考试，而Online DPO则是让这个学生在一个有实时反馈、需要不断适应新题型的环境中持续学习。它的核心原理用一个词概括就是“快慢追逐”。模拟“种内竞争”：借鉴生物学中物种通过竞争进化的思想，Online DPO为同一个模型设置了两个结构完全相同、但优化速度不同的LoRA模块。

快慢模块分工：

1. 模拟“种内竞争”

：借鉴生物学中物种通过竞争进化的思想，Online DPO为同一个模型设置了两个结构完全相同、但优化速度不同的LoRA模块。

2. 快慢模块分工

• “快模块” (Fast Module)

：负责快速适应新到来的数据流，像敏捷的猎手，迅速捕捉最新的偏好变化。

• “慢模块” (Slow Module)

：负责稳定地保留从历史数据中学到的通用知识和旧任务能力，像稳重的大本营，防止“快模块”跑偏而遗忘根本。

3. “追逐”与正则化

：通过一个特殊的正则化项，让“快模块”在追求更好性能时，不能偏离“慢模块”太远。这种“快慢追逐”的动态平衡，既保证了快速适应新领域的能力，又有效缓解了灾难性遗忘。

在此基础上，跨领域在线快慢追逐DPO (COFS-DPO)是其扩展版本。它通过线性组合不同任务领域训练出的最优“快模块”参数，实现对多个领域知识的持续学习和融合。

💡 现实案例：Flow-DPO
微软研究院和加州大学提出的Flow-DPO是Online DPO思想的一个精彩实践。它用两个大模型（Answer LLM和Stop LLM）协同工作，一个负责“生成答案片段”，另一个负责“判断是否完成”。通过在线地对比不同推理路径的好坏（DPO），两个模型在合作与竞争中持续进化，最终生成的数学问题推理过程更详细、准确率更高。

---

🧩 PiSSA / LoRA-GA：给LoRA一个“更好的起点”

这两种方法都专注于改进LoRA的初始化方式，让微调从一开始就走在更正确的道路上。PiSSA (主奇异值和奇异向量适应)它的核心原理是“抓住主要矛盾”。LoRA-GA (LoRA with Gradient Approximation)虽然搜索结果中没有详细介绍LoRA-GA，但它的核心原理是让初始化时的更新方向与全参数微调对齐。它通过数学方法，让初始化后的LoRA模块在训练第一步产生的梯度更新方向，尽可能去逼近全参数微调时的理想更新方向，从而加速收敛并提升效果。

---

🔗 FLoRA / ReLoRA：让LoRA适应更复杂的场景

这两者是将LoRA与更前沿的机器学习范式结合，以解决分布式或长期学习中的难题。

FLoRA (联邦低秩适应)

它的核心原理是“数据不动，模型动”。

场景：在金融、医疗等数据敏感领域，多个机构（如不同医院）的数据无法集中训练。

技术：FLoRA让每个机构在本地用自己的数据微调一个相同的LoRA模块，然后只把这些轻量级的LoRA模块（而非完整大模型）上传到一个中央服务器进行聚合（如取平均），再将聚合后的LoRA模块分发回各机构。如此循环，得到一个融合各方知识但从未接触原始数据的强大模型。

---

ReLoRA (循环低秩适应)

它的核心原理是“积小胜为大胜”。

问题：LoRA的低秩假设（r通常≤128）限制了它能学习的“知识量”，在复杂任务上可能效果不如全参数微调。

技术：ReLoRA采用周期性训练的策略。它先训练一个LoRA模块直到收敛，将其合并回主模型，然后重置LoRA状态，开始新一轮LoRA训练。通过多次这样的“训练-合并-重置”循环，逐步累积模型能力，实现等效于更高秩的更新，从而提升模型上限。

---

总结与对比

方法	核心痛点	核心原理	一句话总结
Online DPO	静态数据学习，无法适应动态偏好，灾难性遗忘	引入快、慢两个LoRA模块“追逐”式学习，平衡新知识学习与旧知识保留	让模型在“内卷”中持续进化，紧跟用户偏好
PiSSA / LoRA-GA	LoRA初始化随机，收敛慢，效果有上限	用SVD的主成分（PiSSA）或梯度近似（LoRA-GA）进行“更聪明”的初始化	给LoRA一个更好的起点，让它跑得更快、更远
FLoRA	数据无法集中，需要跨机构协同训练	将LoRA作为可交换的“知识载体”，在本地训练，在中央聚合	让LoRA成为数据隐私保护下的“知识信使”
ReLoRA	LoRA的低秩假设限制了学习容量	通过“训练-合并-重置”的周期性累积，实现超越低秩限制的更新	用多次小步快跑，累积出超越极限的能力

这四个方向代表了当前大模型微调技术发展的几个重要趋势：从静态走向动态（Online DPO）、从随机初始化走向科学初始化（PiSSA）、从单机走向分布式（FLoRA）、从单次更新走向循环累积（ReLoRA）。选择哪种方法，主要取决于你的应用场景是更关注数据时效性、训练效率、数据隐私还是模型性能上限。

---

总结与选择建议

• 追求极致参数效率、资源极度受限：选BitFit（只改0.1%的参数）或QLoRA（在单卡上跑百亿模型）。

• 追求与全量微调相当的性能：选LoRA、DoRA或P-Tuning v2。

• 目标是训练一个对齐的对话模型：需要走SFT → Reward Model → RLHF/DPO的完整流程。

• 需要模型持续适应用户偏好变化：关注Online DPO等在线学习方法。

• 处理超大规模模型推理：结合GPTQ/AWQ量化与MoE架构。

  最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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

https://mp.weixin.qq.com/s/C8Eqg1SLGfANODzi0zGFwghttps://mp.weixin.qq.com/s/C8Eqg1SLGfANODzi0zGFwg