第

一

天

上午

9:00

～

12:00

模块（一） 数据分析及算法概述

1.1数据分析的任务类型

1.2 机器学习算法的原理及算法选择思路

1.3 数据分析的流程及注意事项

1.4 数据分析的现状及趋势

下午

14:00

～

17:00

模块（二）关联规则分析

2.1 应用场景

2.2 算法原理

2.3 核心术语

2.4 Python编程实践——购物车分析

2.5 重点与难点解读

第

二

天

上午

9:00

～

12:00

模块（三）回归分析

3.1 应用场景

3.2 算法原理

3.3 核心术语

3.4 Python编程实践之一（线性回归）——女性身高与体重数据分析

下午

14:00

～

17:00

3.5 Python编程实践之二（多元回归）——广告收入数据分析

3.6 Python编程实践之三（泊松回归）——航班数据分析

3.7重点与难点解读

第

三

天

上午

9:00

～

12:00

模块（四）分类分析

4.1 应用场景

4.2 算法原理

4.3 核心术语

4.4 Python编程实践之一（KNN）——病例自动诊断

下午

14:00

～

17:00

4.5 Python编程实践之二（贝叶斯分类）——病例自动诊断

4.6 Python编程实践之三（SVM）——病例自动诊断

4.7 Python编程实践之四（逻辑回归）——病例自动诊断

4.8重点与难点解读

第

四

天

上午

9:00

～

12:00

模块（五）聚类分析

5.1 应用场景

5.2 算法原理

5.3 核心术语

下午

14:00

～

17:00

5.4 Python编程实践之一（KMeans）——蛋白质消费特征分析

5.5重点与难点解读

第

五

天

上午

9:00

～

12:00

模块（六）集成学习

6.1 应用场景

6.2 算法原理

6.3 核心术语

6.4 Python编程实践之一（随机森林）——房屋价格预测

下午

14:00

～

17:00

6.5 Python编程实践之二（XGBoost）——房屋价格预测

6.6重点与难点解读

第

六

天

上午

9:00

～

12:00

模块（七）深度学习

7.1 应用场景

7.2 算法原理

7.3 核心术语

下午

14:00

～

17:00

7.4 Python编程实践之一（CNN）——手写数字识别分析

7.5重点与难点解读

第

一

天

大模型与知识图谱导论

上

午

9:00

～

12:00

1、大模型与知识图谱导论：

（1）大模型与知识图谱概述

（2）知识图谱与大模型的特点和互补性

（3）大模型增强知识图谱的方式

（4）知识图谱增强大模型的方式

（5）大模型与知识图谱未来的挑战和方向

2、大模型开发环境搭建

（1）Anaconda介绍

（2）Anaconda安装

（3）机器学习库scikit-learn

实验1：使用Anaconda完成第一个机器学习实战案例开发

下

午

14:00

～

17:00

3、大模型基础：神经网络原理

（1）神经网络介绍

①神经元与感知机       

②单层感知机

③多层感知机

（2）神经网络相关概念

①激活函数             

②损失函数

③学习率               

④过拟合

⑤模型训练中的问题

（3）正向传播

（4）反向传播

（5）梯度下降

实验2：使用scikit-learn完成鸢尾花分类

实验3：使用scikit-learn完成特征处理

实验4：使用scikit-learn完成交叉验证

第

二

天

大

模

型

基

础

上

午

9:00

～

12:00

1、大模型基础：深度学习框架与模型调优

（1）Tensorflow框架

（2）Pytorch框架

（3）深度学习模型调优手段

①激活函数 批标准化

②损失函数

③Dropout

④模型超参数

⑤通用调优手段

2、大模型的基本任务与主要研究方向

3、大语言模型基础—分词技术

（1）分词技术原理

（2）常用分词算法

（3）常用分词工具介绍

实验5：使用dropout抑制过拟合

实验6：常用分词工具的安装

实验7：使用jieba和hanlp完成今日头条新闻分词

下

午

14:00

～

17:00

4、大语言模型基础—命名实体识别

（1） 命名实体识别概述

（2） 使用CRF完成命名实体识别

（3） 使用LSTM完成命名实体识别

5、经典语言模型与词向量

（1）经典语言模型

①RNN

②LSTM

（2）经典词向量模型：Onehot、word2vec、glove、ELMo

6、大模型基石：Transformer模型详解

（1）传统序列模型的挑战

（2）注意力机制

（3）Transformer模型架构

（4）Transformer模型详解

（5）基于Transformer的词向量模型

实验8：基于CRF的实体提取

实验9：基于Bilstm+CRF的命名实体识别

实验10：基于sklearn构建onehot词向量模型

实验11：基于gensim构建Word2Vec词向量模型

实验12：基于bert构建词向量模型

第

三

天

大

模

型

进

阶

上

午

9:00

～

12:00

1、主流大模型介绍

（1）GPT家族

①GPT系列模型的发展历程  ②GPT系列模型结构

③InstructGPT模型剖析

（2）LLaMa家族

①羊驼家族：LLaMa、Alpaca、Vicuna特点和技术创新

②LLaMA模型的原理剖析

③LLaMA与其他大模型的对比

（3）GLM

①国产大模型领先者：GLM的架构

②ChatGLM模型解读

③从ChatGLM1到ChatGLM3

1. Qwen
2. DeepSeek系列模型

①DeepSeek-MoE模型       ②DeepSeek-VL模型

③DeepSeek-R1模型

2、大模型核心技术：混合专家模型

（1）混合专家模型的发展历史

（2）混合专家模型结构

（3）稀疏矩阵的作用

3、视觉大模型：ViT

（1）经典卷积神经网络

（2）视觉大模型原理

（3）ViT模型结构

（4）ViT模型应用

（5）门控单元的作用

实验13：Qwen大模型部署与实战

实验14：主流大模型API调用

实验15：使用CNN完成MNIST手写体识别

实验16：使用多模态大模型实现看图说话

下

午

14:00

～

17:00

4、大模型核心技术：多模态大模型

（1）什么是多模态大模型

（2）多模态大模型结构

（3）多模态大模型与专家混合模型

5、大模型核心技术：扩散模型（Diffusion Model）

（1）扩散模型基石：DDPM

（2）Diffusion Transformer（DiT）

①DiT的架构   ②DiT的原理   ③DiT的应用

（3）Sora模型

①Sora的技术原理  ②Sora生成视频的关键步骤

6、大模型核心技术：强化学习

（1）强化学习原理

①强化学习基本概念介绍

②状态、动作和奖励的数据结构

③数据收集、处理和利用的方法

（2）深度强化学习之DQN-深度学习与强化学习的成功结合

实验17：使用扩散模型实现视频生成

实验18：使用DQN训练AI玩游戏

第

四

天

大

模

型

进

阶

上

午

9:00

～

12:00

1、大模型核心技术：PPO算法

（1）PPO的起源和动机

（2）PPO与其他策略梯度方法的对比

（3）算法核心概念和原理

2、大模型核心技术：RLHF算法

（1）RLHF的起源和背景

（2）RLHF在人工智能中的作用和重要性

（3）强化学习与人类反馈：结合的优势

（4）RLHF的主要应用领域和案例研究

（5）从InstructGPT到GPT4

3、大模型核心技术：提示学习

（1）指令数据集

①指令数据的重要性与来源

②指令数据的预处理和标准化

③生成高质量指令数据的技巧

（2）提示学习工作流

4、大模型核心技术：高效微调技术（PEFT）

（1）Adapter及衍生模型

（2）LoRA

（3）Prefix Tuning

（4）Prompt Tuning

（5）PEFT库实战

实验19：使用PPO训练AI玩游戏

实验20：大模型PEFT微调项目：LoRA微调Qwen大模型

ØPEFT的安装

ØPEFT的使用说明

ØPEFT核心模块讲解

Ø指令数据准备和预处理的技巧

Ø实施微调的详细步骤

下

午

14:00

～

17:00

5、大模型核心技术：模型压缩技术

（1）模型量化技术

①量化在深度学习中的作用与原理

②常见的量化技术及其分类

③模型量化对性能和精度的影响

（2）QLoRA模型

①QLoRA算法的定义和背景

②QLoRA与LoRA的关键区别和改进

③QLoRA算法的详细实现过程

④4bit量化

（3）模型剪枝技术

①模型剪枝技术概述   

②非结构化剪枝

③结构化剪枝

（4）模型蒸馏技术

①模型蒸馏的基本概念和工作原理

②模型蒸馏在模型优化中的应用

③不同蒸馏技术的比较和选择

6、大模型框架

（1）DeepSpeed

①DeepSpeed框架详解    ②DeepSpeed核心技术

（2）Flexgen

①Flexgen框架详解      ②Flexgen核心技术

（3）Petals

①Petals框架详解        ②Petals核心技术

实验21：ChatGLM-6B模型量化实战

实验22：使用模型剪枝技术压缩模型

实验23：使用模型蒸馏技术压缩模型

实验24：部署DeepSpeed框架

第

五

天

知

识

图

谱

核

心

技

术

上

午

9:00

～

12:00

1、知识图谱概述

（1）什么是知识图谱

（2）知识图谱的发展历史

（3）知识图谱的价值

（4）国内外典型的知识图谱项目

（5）知识图谱的构建流程

（6）知识图谱的相关技术

2、知识图谱基础—知识表示与建模

（1）知识表示概述

（2）知识表示框架

（3）数据模型设计方法

（4）金融企业数据模型设计

3、知识图谱核心技术—知识源数据的获取

（1）结构化数据的获取

（2）非结构化数据的获取

实验25：金融企业数据主题域设计—企业风险知识图谱

实验26：将mysql数据导出为图谱源数据

实验27：东方财富网信息爬取实战

实验28：获取企业风险知识图谱源数据

下

午

14:00

～

17:00

4、知识图谱核心技术-知识抽取

（1）知识抽取概述

（2）实体抽取技术

①基于命名实体技术的实体抽取

②基于关键词技术的实体抽取

（3）关系抽取技术

（4）事件抽取技术

5、知识图谱核心技术—知识融合

（1）知识融合概述

（2）实体统一

（3）实体消歧

（4）知识合并

6、知识图谱核心技术—知识加工

（1）知识加工概述

（2）本体构建

（3）知识推理

实验29：使用hanlp抽取法人名称、企业名称等信息

实验30：使用TextRank算法完成知识抽取

实验31：使用句法依存算法关系抽取

实验32：使用大模型完成事件抽取

实验33：使用jieba完成公司名的实体统一

实验34：使用tf-idf完成实体消歧

第

六

天

大

模

型

与

知

识

图

谱

的

融

合

上

午

9:00

～

12:00

1、知识图谱核心技术—知识存储

（1）知识存储常用数据库

（2）图数据库neo4j

（3）neo4j的安装与部署

2、检索增强生成（RAG）与知识图谱：GraphRAG

（1）检索增强生成（RAG）概述

（2）知识图谱在RAG各阶段的应用

（3）GraphRAG概述

（4）GraphRAG应用

3、融合大规模语言模型与知识图谱的推理方法

（1）论文分享：使用思维链提示方法提升大模型推理能力

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（NIPS 22’）

（2）论文分享：基于知识图谱与大型语言模型的推理方法

Think-on-Graph: Deep and Responsible Reasoning of Large Language Model with Knowledge Graph

4、知识图谱在医疗领域的研究

（1）论文分享：医疗知识图谱

Medical Graph RAG: Evidence-based Medical Large Language Model viaGraph Retrieval-Augmented Generation（ACL 2025’）

（2）多模态知识图谱最新研究进展

实验35：neo4j实战操作

实验36：使用neo4j工具导入知识图谱

下

午

14:00

～

17:00

案例1：使用大模型与Neo4j构建领域知识图谱  案例2：使用neo4j从零搭建基于金融知识图谱的问答机器人                    

1. 项目背景                                     （1）项目背景
2. 数据模型设计                                 （2）项目架构  
3. 使用爬虫获取原始数据                         （3）基于检索与知识图谱相结合的功

（4）构建知识图谱                                      模块

（5）展示知识图谱                                 （4）基于句子相似度的功能模块

（6）使用neo4j完成知识推理                        （5）项目展示   

案例3：在大模型RAG系统中应用知识图谱     案例4：本地部署DeepSeek实战

1. 项目架构                                     （1）项目架构
2. 项目实战                                     （2）项目实战

（3）项目展示                                     （3）项目展示

案例5：基于农业领域的知识图谱              案例6：CCF2020-疫情对北京社会经济影响分析

1. 项目背景                                     （1）项目背景
2. 数据模型设计                                 （2）数据模型设计

（3）原始数据获取                                 （3）项目架构

（4）构建知识图谱                                 （4）数据清洗

（5）展示知识图谱                                 （5）特征选择        

（6）模型训练与评估

（7）项目展示

第

一

天

机器视觉任务与关键概念

上

午

9:00

～

12:00

第1讲  机器视觉快速导引

（1）机器视觉：背景、定义与发展脉络

（2）机器视觉的任务

（3）机器视觉系统组成与典型应用场景

（4）课程结构与教学资源

（5）机器视觉的“Hello, world!”

第2讲  机器视觉关键概念

（1）照明与颜色模型：基本概念与应用

（2）数字图像表示与常见图像变换

（3）图像卷积与滤波

实验1:机器视觉第一个程序：Hello, Lena!

实验2:第一个程序扩展

下

午

14:00

～

17:00

（4）图像平滑滤波与边缘检测

（5）图像分割与特征检测

（6）代码精讲：米粒分割

（7）相机成像模型与视觉几何基础

（8）3D视觉与立体视觉初步

（9）代码精讲：立体视觉点云计算与三维重构

实验3:数字图像颜色空间转换

实验4:各类图像变换可视化演示

实验5:图像平滑去噪及效果比较

实验6:图像边缘检测及效果比较

实验7:图像漫水填充分割互动演示

实验8:全局分割：米粒分割实例综合演示

实验9: Harris角点检测演示

实验10:使用PnP算法进行相对位姿估计

实验11:立体视觉点云计算与三维重构演示

实验12:使用OpenCV计算本质矩阵

实验13:使用Meshroom进行多视角三维重构

第

二

天

视觉大模型

基础

上

午

9:00

～

12:00

第3讲 卷积神经网络与深度学习

（1）神经元与神经计算：出发点与方向简述

（2）多层神经网络与误差反传算法

（3）卷积神经网络核心原理

（4）经典图像分类网络：

LeNet-5、AlexNet、VGG、ResNet、网络可视化

（5）深度学习应用框架与PyTorch基础

（6）代码精讲与动画演示：LeNet-5

实验14:从0开始构建线性回归

实验15:构建线性分类器

实验16:浅层神经网络构建

实验17:通过线性回归演示卷积神经网络构建与训练

实验18: LeNet-5网络演示

实验19:LeNet-5动画演示

实验20: AlexNet网络演示

实验21:VGG网络演示

实验22:ResNet网络演示

下

午

14:00

～

17:00

第4讲  Transformer模型

（1）Transformer模型核心思想

（2）自注意力机制与卷积方法差异

（3）Transfomrer结构与机制详解

代码精讲：Transformer

实验23:Transformer构建

第

三

天

视觉大模型

基础与应用实战

上

午

9:00

～

12:00

1.  视觉大模型基础

（1）大模型与多模态技术概述

（2）视觉Transformer（ViT）

（3）通用视觉语言模型CLIP

（4）代码精讲：CLIP

（5）知识蒸馏与DINO

实验24:Vision Transformer构建

实验25:CLIP演示

下

午

14:00

～

17:00

第6讲  视觉大模型应用

（1）主流视觉大模型概览

（2）目标检测与开放集检测基础

（3）SAM图像分割技术与实战

（4）基于多模态大模型的图像理解与异常分析

实验26:目标检测和开放集检测

实验27:SAM图像分割互动演示

第

四

天

视觉大模型

应用实战

与具身智能

上

午

9:00

～

12:00

（5）通用大模型的图像处理、问答与生成应用

（6）稳定扩散与图像生成

（7）视觉大模型技术展望

实验28:ChatGPT图像异常检测

实验29:DeepSeek图像处理

下

午

14:00

～

17:00

第7讲  具身智能与具身感知

（1）具身智能概述

（2）智能机器人与具身智能

（3）机器视觉与具身感知

（4）由仿真到现实：具身智能仿真环境

（5）具身智能示例：ALOHA

（6）（选讲）多智能体系统

第

五

天

具身智能与具身视觉

上

午

9:00

～

12:00

第8讲  机器人操作系统ROS

（1）ROS核心概念与系统构成

（2）ROS通信模式及编程实现

（3）ROS开发流程与常用工具

（4）ROS仿真系统构建

实验30:ROS系统及目录树结构演示

实验31:ROS话题编程之话题发布

实验32:ROS话题编程之话题订阅

实验33:ROS服务编程之客户端

实验34:ROS服务编程之服务端

下

午

14:00

～

17:00

第9讲  实战ROS与具身智能

（1）实战ROS自动驾驶I: 数据集与可视化

（2）实战ROS自动驾驶II: 发布视觉与点云可视化数据

（3）实战ROS自动驾驶III: 发布IMU和GPS数据

实验35:自动驾驶KITTI数据集可视化

实验36:发布图像数据演示

实验37:发布点云数据演示

实验38:自车模型发布

第

六

天

具身智能与具身视觉

上

午

9:00

～

12:00

第10讲  具身视觉：用机器视觉感知世界

（1）基于成像几何的经典SLAM与ORB-SLAM

（2）实验精讲：ORB-SLAM3运行演示

（3）基于深度学习的现代SLAM方法概览

（4）视觉环境重建：现代三维场景重构与渲染

（5）视觉伺服、学习型抓取与具身视觉

（6）基于学习的抓取方法

实验39:（代码分析）ORB-SLAM2源码结构

实验40:（代码分析）SLAM效果展示

实验41: ORB-SLAM3 运行演示

实验42:NeRF三维重构

实验43:3D GS效果演示

下

午

14:00

～

17:00

第11讲  VLA模型与具身行动：从理解到动作生成

（1）视觉-语言-动作(VLA)模型基础

（2）VLA主流模型

（3）VLA小模型

（4）模型评价和测试方法

（5）VLA模型仿真实践

第12讲  课程总结与讨论

（1）课程总结

（2）研究如何创新

（3）研究示例

实验44:ACT抓取演示

实验45:（选讲）SmolVLA实战

一、生成式人工智能概述

1. 人工智能简介

（1）人工智能     （2）机器学习

（3）深度学习     （4）生成式人工智能

2. ChatGPT简介

（1）初识ChatGPT

（2）ChatGPT发展历史及训练过程

3. 国内外大模型技术进展

4. ChatGPT的应用前景

5. ChatGPT的风险与挑战

6. 应对措施

二、OpenAI API及通义千问API使用

1. 基本概念

（1）模型      （2）标记

（3）嵌入      （4）Playground

实验1、申请OpenAI账号，申请API_KEY

实验2、申请灵积平台账号，申请API_KEY

2. 第一个OpenAI API程序

（1）安装Visual Studio Code及插件

（2）OpenAI Python库

3. 第一个通义千问API程序

4. OpenAI终端开发

（1）JSON   （2）OpenAI终端    （3）函数调用

5. 通义千问模型

（1）大语言模型  （2）VL模型   （3）Audio模型

6. 推理大模型与Deepseek大模型

（1）推理类大模型使用、特点和使用场景

（2）Deepseek系列大模型

（3）基于Deepseek大模型的应用开发

实验3：第一个调用API的程序

实验4：基于LLM的单轮/多轮对话

实验5：基于LLM的流式输出

实验6：基于LLM的图片内容识别

实验7：基于LLM的音频内容识别

实验8：Deepseek模型应用开发

三、提示工程

1. 提示工程简介

（1）什么是提示工程

（2）为什么需要提示工程

（3）提示工程的作用和效果

（4）提示工程的语言

2. 提示的组成元素

（1）角色  （2）背景  （3）任务  （4）输出要求

3. 提示的开发流程

实验9：角色示例

实验10：背景示例

实验11：任务示例

实验12：输出要求示例

实验13：产品说明提示优化示例

4、提示的基本策略

（1）指定明确的角色

（2）对问题表述清晰明确

（3）使用逻辑流程表达

（4）举例说明

（5）使用思维链

（6）明确输出长度

5. 提示的应用示例

（1）内容生成     （2）NLP基础任务

（3）NLP应用任务 （4）格式处理

（5）推理应用     （6）编程开发

实验14：架构化分隔提示

实验15：顺序提示案例

实验16：条件提示案例

实验17：循环提示案例

实验18：少样本提示案例

实验19：零样本思维链提示

实验20：明确思维链提示案例

实验21：NLP任务提示案例

实验22：信息抽取案例

实验23：文本摘要、扩展案例

实验24：机器翻译案例

实验25：润色重写案例

四、基于LLM的应用开发

1. 基于 LLM 的开发辅助工具

（1）GitHub Copilot 和 GitHub Copilot Chat

（2）通义灵码/CodeGeeX/CodeMate

（3）Cursor/Windsurf AI IDE使用

（4）Cline AI IDE使用

2. 基于提示的智能应用程序开发

（1）用户与 LLM 交互的实现流程

（2）基于提示的智能应用开发

实验26：安装CodeGeex/通义灵码

实验27：点餐机器人程序

3. 基于 LLM 的应用开发过程

（1）输入分类    （2）输入审查

（3）思维链推理  （4）链式提示

（5）输出检查    （6）开发流程

（7）评估

实验28：电子商城智能客服程序

4. 基于LLM应用开发的案例

五、基于Langchain的应用开发

1. Langchain框架简介

（1）Langchain框架架构

（2）Langchain基本模块

（3） Langchain基本应用场景

2. Langchain框架的输入输出(I/O)

（1）提示Prompts

（2）语言模型Language Models

（3）输出解析器Output Parser

实验29：基于LLM的主观试题批改系统

实验30：Langchain框架（I/O）案例

3. LangChain框架的链和表达式语言LCEL

（1）Langchain框架中的链（Chain）

（2）Langchain表达式语言LCEL

（3）LCEL中的RunnableLambda

（4）LCEL中的RunnableSequence

（5）LCEL中的RunnableParallel

（6）LCEL中的RunnablePassthrough

（7） LCEL中的RunnableBranch

4. Langchain框架中的记忆(Memory)

（1）记忆（Memory）的概念

（2）BaseChatMessageHistory接口及其子类

（3）RunnableWithMessageHistory

（4）基于Langchain的聊天机器人

实验31：Langchain中的LCEL案例

实验32：基于Langchain的聊天机器人案例

5. Langchain框架中的检索增强生成(RAG)

（1）检索增强生成(RAG)介绍

（2）索引、检索和生成

（3）文档和文档加载器

（4）TextLoader、WebBaseLoader和pypdfLoader

（5）分割器和 RecursiveCharacterTextSplitter

（6）嵌入模型

（7）向量存储库

（8）检索器

六、智能体开发框架LangGraph

1. 基于LangGraph开发AI智能体

（1）AI Agent介绍

（2）Langchain中的AI Agent实现方式

（3）多智能体框架LangGraph介绍

（4）多智能体框架LangGraph中的图

（5）多智能体框架LangGraph中的状态

（6）多智能体框架LangGraph中的节点

（7）多智能体框架LangGraph中的边

（8）多智能体框架Langchain中的工具

（9）ReAct方法

实验33：基于Langchain的二十大报告RAG案例

实验34：基于LangGraph的二十大报告AI Agent案例

2. AI智能体案例

基于AI智能体开展科研探索、生成科研论文

3. MCP原理与实践

（1）MCP基本原理   （2）MCP应用示例

（3）MCP开发示例

4. SKILLS原理与实践

5. 智能体OpenCode使用

6. 智能体OpenClaw使用

七、智能体低代码开发平台扣子平台

1. 扣子平台介绍

2. 插件、工作流

3. 知识库、变量、数据库

4. 搭建Bot

5. 发布Bot

6. Vibe Coding开发介绍与实践

实验35：MCP应用示例

实验36：MCP开发示例

实验37：基于智能体OpenCode的办公操作系统

实验38：基于智能体OpenClaw的自动化应用

实验39：基于AI智能体的科学研究

实验40：扣子平台知识应用

实验41：扣子平台智能体应用

实验42：Vibe Coding项目实践

八、本地部署大模型

1. 使用Ollama本地部署大模型

（1）Ollma简介          （2）Ollma安装

（3）Ollma部署案例

2. 量化技术

（1）量化技术基本原理   （2）常见的量化技术

（3）模型量化的影响和选择

3. 使用vLLM本地部署大模型

（1）vLLM简介          （2）vLLM安装

（3）vLLM部署案例

实验43：使用Ollma部署Qwen3、GLM4、deepseek、gemma2等模型

实验44：使用vLLM部署大模型

4. 使用xInference本地部署大模型

（1）xInference介绍      （2）xInference安装

（3）xInference部署案例

九、模型微调

1. 模型微调原理

2. 模型微调技术

（1）Adapter Tuning       （2）Prefix Tuning

（3）Prompt tuning        （4）P-Tuning

（5）LoRA              （6）QLoRA

3. 使用LlamaFactory微调模型

实验45：使用xInference部署大模型

实验46：使用LlamaFactory微调qwen3:8b模型