最近 Qwen3.6 和 Unsloth 的组合很值得折腾。

原因不复杂：Qwen3.6 官方模型卡里已经写明 MTP: trained with multi-steps，也就是模型训练阶段就带了 Multi-Token Prediction 能力。Unsloth 又进一步放出了保留 MTP head 的 GGUF 量化版本。于是，本地推理不再只是“量化后勉强跑起来”，而是可以尝试用 MTP 做 speculative decoding，让模型一次先猜多个 token，再由主模型验证。

如果命中率高，解码就会明显快起来。

这篇文章不只讲概念，而是把今天能落地的路线完整拆一遍：

• • 怎么选 Qwen3.6 的 MTP-GGUF 模型；
• • 怎么用 llama.cpp 的 MTP 实验分支跑起来；
• • 怎么判断 MTP 是否真的生效；
• • 怎么做一套自己的蒸馏数据；
• • 怎么用 Unsloth / QLoRA 微调；
• • 最后怎么导出到 GGUF 或 vLLM。

先说边界：llama.cpp 的 MTP 支持目前仍在 PR/实验分支阶段，不是主线稳定功能；命令参数可能随分支更新。本文会给可执行路线，也会把坑写清楚。

---

1. MTP 到底快在哪里

---

MTP 工作机制

普通自回归模型生成文本时，是一个 token 一个 token 往前走：

第 1 步：预测 token_1第 2 步：预测 token_2第 3 步：预测 token_3...

MTP 的想法是：不要每一步只看一个 token。模型内部的 MTP head 可以先给出几个未来 token 的草稿，比如一次猜 2–3 个，然后主模型验证这些草稿是否成立。

如果草稿被接受，就相当于少走了几轮串行 decode。

可以把它理解成：

MTP head：我猜后面是 A、B、C主模型：A、B 可以，C 不行结果：一次前进 2 个 token，再从 C 的位置重新正常生成

这也是为什么 MTP 更适合“输出很长”的场景，比如：

• • 写代码；
• • 写长文；
• • 多轮聊天；
• • 本地单用户助手；
• • prompt 不太长但生成很多 token 的任务。

但它不是万能加速器。如果你的任务主要慢在超长上下文 prefill，比如 RAG 一次塞几十万 token，再只生成几百 token，MTP 的收益就会下降。

---

2. 先选模型：27B 还是 35B-A3B

---

这次重点看两个模型：

1. 1. unsloth/Qwen3.6-27B-MTP-GGUF
2. 2. unsloth/Qwen3.6-35B-A3B-MTP-GGUF

Qwen3.6-27B

这是 27B dense 模型，结构更直接。Unsloth 模型卡里列出的常见量化体积大致是：

量化	体积
UD-IQ2_XXS	9.57 GB
Q3_K_M	13.8 GB
Q4_0	16.1 GB
Q4_K_M	17.1 GB
UD-Q4_K_XL	17.9 GB
Q5_K_M	19.8 GB
Q6_K	22.9 GB
Q8_0	29 GB

如果你是第一次尝试，建议从 UD-Q4_K_XL 或 Q4_K_M 开始。太低比特能省空间，但质量和速度都要自己测。

Qwen3.6-35B-A3B

这是 35B total / 3B activated 的 MoE 模型。官方模型卡显示它有 256 个 experts，每次激活 8 routed + 1 shared experts，上下文原生 262K tokens。

Unsloth MTP-GGUF 的常见体积：

量化	体积
UD-IQ1_M	11.4 GB
UD-IQ2_M	11.9 GB
UD-Q2_K_XL	12.6 GB
UD-IQ3_S	14.1 GB
UD-Q3_K_M	17.1 GB
UD-IQ4_XS	18.2 GB
UD-Q4_K_M	22.7 GB
UD-Q4_K_XL	22.9 GB
UD-Q5_K_M	27.1 GB
UD-Q6_K	30 GB
Q8_0	37.8 GB

如果你想在消费级机器上尽量体验高能力模型，35B-A3B 的低/中比特 GGUF 会很有吸引力。但要注意：GGUF 推理能跑，不代表本地微调也轻松。

Qwen3.6 35B-A3B Benchmark

Qwen3.6 27B Benchmark

---

3. 路线图：不要一上来就微调

---

部署蒸馏微调路线

我建议按这个顺序来：

1. 1. 先用 MTP-GGUF 跑通本地推理。
2. 2. 用同一个 prompt 对比 MTP 开/关，确认真的加速。
3. 3. 准备你自己的任务数据，做蒸馏/清洗。
4. 4. 用 QLoRA 做 SFT 微调。
5. 5. 导出 LoRA、merged 16bit、GGUF 或 vLLM 服务。

很多人一开始就想“我要微调 35B”。实际更好的做法是：先证明你的任务值得微调，再投入训练成本。

---

4. 本地部署：llama.cpp MTP 实验分支

---

目前 llama.cpp 的 MTP 支持来自 PR：

• • PR：https://github.com/ggml-org/llama.cpp/pull/22673
• • 分支：https://github.com/am17an/llama.cpp/tree/mtp-clean

这个 PR 还在 Open 状态，所以本文命令按当前模型卡和 PR 讨论整理。后续如果参数改名，以 PR 最新说明为准。

4.1 Linux + NVIDIA 编译

apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -ygit clone -b mtp-clean https://github.com/am17an/llama.cpp.gitcmake llama.cpp -B llama.cpp/build \  -DBUILD_SHARED_LIBS=OFF \  -DGGML_CUDA=ONcmake --build llama.cpp/build \  --config Release \  -j \  --clean-first \  --target llama-cli llama-servercp llama.cpp/build/bin/llama-* llama.cpp

如果你是 macOS / CPU / Metal 路线，Unsloth 模型卡提示把 -DGGML_CUDA=ON 改成 -DGGML_CUDA=OFF。不过 Metal 构建细节可能随 llama.cpp 版本变化，最好同时看当前分支的 build 文档。

4.2 跑 Qwen3.6-27B-MTP-GGUF

export LLAMA_CACHE="unsloth/Qwen3.6-27B-MTP-GGUF"./llama.cpp/llama-server \  -hf unsloth/Qwen3.6-27B-MTP-GGUF:UD-Q4_K_XL \  -ngl 99 \  -c 8192 \  -fa on \  -np 1 \  --spec-type mtp \  --spec-draft-n-max 2

启动后，服务默认提供 OpenAI-compatible API。你可以用浏览器访问 WebUI，或者用 OpenAI SDK 调用。

4.3 跑 Qwen3.6-35B-A3B-MTP-GGUF

export LLAMA_CACHE="unsloth/Qwen3.6-35B-A3B-MTP-GGUF"./llama.cpp/llama-server \  -hf unsloth/Qwen3.6-35B-A3B-MTP-GGUF:UD-Q4_K_XL \  -ngl 99 \  -c 8192 \  -fa on \  -np 1 \  --spec-type mtp \  --spec-draft-n-max 2

4.4 如果 mtp 参数报错

PR 讨论里已经出现过参数变化：有用户遇到 unknown speculative type: mtp，随后提示改成：

--spec-type draft-mtp

所以如果你当前分支报错，可以试：

./llama.cpp/llama-server \  -hf unsloth/Qwen3.6-27B-MTP-GGUF:UD-Q4_K_XL \  -ngl 99 \  -c 8192 \  -fa on \  -np 1 \  --spec-type draft-mtp \  --spec-draft-n-max 2

这个现象本身也说明：MTP 支持仍在快速迭代，不要把当前命令当成长期稳定接口。

---

5. 怎么判断 MTP 真的生效

---

不要只看“感觉变快”。至少看三件事。

5.1 看启动参数

确认 server 命令里有：

--spec-type mtp# 或者新分支里的--spec-type draft-mtp

以及：

--spec-draft-n-max 2

--spec-draft-n-max 控制一次最多草稿几个 token。不是越大越好，draft 越长，接受率可能越低，额外开销也可能上升。模型卡示例常用 2，PR 讨论里很多用户测 2、3、4、7，最佳点跟硬件和任务有关。

5.2 看日志里的 acceptance rate

正常情况下，你应该能在日志里看到类似字段：

draft acceptance rate = 0.79728statistics mtp: #calls..., #gen drafts..., #acc drafts...

acceptance rate 越高，MTP 越有机会加速。但它不是唯一指标，最终还是看 decode tok/s 和 total time。

5.3 同 prompt 对比开关

用同一个 prompt，跑两次：

• • 第一次开启 MTP；
• • 第二次去掉 --spec-type ...；
• • 采样参数保持一致；
• • 记录 prompt eval tok/s、decode tok/s、总耗时。

可以直接用本项目里的模板：

assets/benchmark_template.csv

公众号参考文章和 PR 里有一个 RTX 5090 的片段：Qwen3.6-27B Q4_0，同一个 “create a flappy bird clone” prompt，MTP 开启后 decode 从 63.72 tok/s 到 105.47 tok/s，draft acceptance rate 约 79.7%。

这个数字很漂亮，但不要直接照搬成你的机器结果。不同显卡、后端、量化、上下文长度、prompt 类型都会影响最终速度。

---

6. OpenAI-compatible API 调用

---

启动 llama-server 后，可以用 OpenAI SDK 测：

pip install -U openaiexport OPENAI_BASE_URL="http://localhost:8080/v1"export OPENAI_API_KEY="EMPTY"

Python 示例：

from openai import OpenAIclient = OpenAI()response = client.chat.completions.create(    model="Qwen3.6-MTP-GGUF",    messages=[        {"role": "user", "content": "写一个最小可运行的贪吃蛇 HTML 游戏。"},    ],    temperature=0.6,    top_p=0.95,    max_tokens=4096,)print(response.choices[0].message.content)

如果你用的是 Qwen 官方推荐参数，可以参考：

• • thinking general：temperature=1.0, top_p=0.95, top_k=20, presence_penalty=1.5
• • precise coding：temperature=0.6, top_p=0.95, top_k=20, presence_penalty=0.0
• • non-thinking general：temperature=0.7, top_p=0.8, top_k=20, presence_penalty=1.5

Qwen3.6 默认会 thinking。官方模型卡也提示，Qwen3.6 不再使用 Qwen3 那种 /think、/nothink 软开关，而是通过 API 参数控制。

---

7. vLLM / SGLang：更适合多卡服务

---

如果你不是本地单机 GGUF，而是多卡服务器部署，Qwen 官方模型卡给了 vLLM 和 SGLang 的 MTP 命令。

7.1 vLLM MTP

uv pip install vllm --torch-backend=autovllm serve Qwen/Qwen3.6-35B-A3B \  --port 8000 \  --tensor-parallel-size 8 \  --max-model-len 262144 \  --reasoning-parser qwen3 \  --speculative-config '{"method":"qwen3_next_mtp","num_speculative_tokens":2}'

如果你只做文本，想省掉 vision encoder 和多模态 profiling，可以加：

--language-model-only

7.2 SGLang MTP

uv pip install 'sglang[all]'python -m sglang.launch_server \  --model-path Qwen/Qwen3.6-35B-A3B \  --port 8000 \  --tp-size 8 \  --mem-fraction-static 0.8 \  --context-length 262144 \  --reasoning-parser qwen3 \  --speculative-algo NEXTN \  --speculative-num-steps 3 \  --speculative-eagle-topk 1 \  --speculative-num-draft-tokens 4

这条路线适合生产服务和多用户吞吐；本地消费级显卡用户，还是先从 GGUF + llama.cpp 开始更现实。

---

8. Unsloth Studio：如果你想少折腾环境

---

Qwen3.6 in Unsloth Studio

Unsloth 官方已经写明 Qwen3.6 可以在 Unsloth Studio 中运行和微调。Studio 的价值是：

• • 本地 Web UI；
• • 可以跑模型；
• • 可以准备数据；
• • 可以训练；
• • 更适合先验证工作流。

macOS / Linux / WSL 安装：

curl -fsSL https://unsloth.ai/install.sh | sh

Windows PowerShell：

irm https://unsloth.ai/install.ps1 | iex

启动：

unsloth studio -H 0.0.0.0 -p 8888

Docker：

docker run -d \  -e JUPYTER_PASSWORD="mypassword" \  -p 8888:8888 \  -p 8000:8000 \  -p 2222:22 \  -v $(pwd)/work:/workspace/work \  --gpus all \  unsloth/unsloth

如果你不想从第一天就处理 CUDA、PyTorch、FlashAttention、依赖版本，Studio 会更友好。

---

9. 蒸馏：先把数据做对，再谈训练

---

这里的“蒸馏”不要理解成复制某个闭源模型的能力。更实用的定义是：

用一个更强或更稳定的 teacher，为你有权使用的任务数据生成更规范、更一致的答案，再经过清洗和抽检，变成 Qwen3.6 的 SFT 数据。

举个例子：你想把 Qwen3.6 微调成“本地部署助手”。那就准备这些任务：

• • llama.cpp 报错排查；
• • vLLM 启动参数解释；
• • GGUF 量化选择；
• • GPU 显存估算；
• • benchmark 日志解读；
• • ChatML 数据格式转换；
• • LoRA 微调排错。

9.1 数据格式用 ChatML JSONL

每一行一个样本：

{"messages":[{"role":"system","content":"你是一个严谨的本地大模型部署助手。"},{"role":"user","content":"如何判断 Qwen3.6 MTP 是否真的开启？"},{"role":"assistant","content":"检查启动参数是否包含 --spec-type mtp 或 draft-mtp，并观察日志中是否出现 draft acceptance rate、statistics mtp 等字段。然后用同一 prompt 对比 MTP 开关下的 decode tok/s 和总耗时。"}]}

9.2 Teacher 生成时加约束

可以用这个 system prompt：

你是一个严谨的 AI 工程资料整理助手。请根据给定问题生成可用于监督微调的高质量答案。要求：1. 不编造不存在的命令或参数。2. 如果某功能仍是实验分支，必须明确标注。3. 命令需要说明适用环境。4. 答案要可操作，不要空泛。5. 输出中文。

9.3 清洗规则

生成后至少做这些过滤：

• • 删除空答案；
• • 删除明显拒答；
• • 删除和问题无关的样本；
• • 删除命令不闭合、JSON 不合法的样本；
• • 删除重复样本；
• • 每个任务类型抽样人工检查。

9.4 一个最小蒸馏脚本思路

下面是伪代码级流程，你可以接本地 llama-server、vLLM 或云端 OpenAI-compatible API：

import jsonfrom openai import OpenAIclient = OpenAI(    base_url="http://localhost:8080/v1",    api_key="EMPTY",)questions = [    "如何选择 Qwen3.6-27B-MTP-GGUF 的量化版本？",    "llama.cpp MTP 的 --spec-draft-n-max 应该设置多少？",    "为什么 MTP 对 RAG 长上下文不一定加速？",]system = "你是一个严谨的本地大模型部署助手。答案必须可操作，不要编造。"with open("distill_qwen36_mtp.jsonl", "w", encoding="utf-8") as f:    for question in questions:        response = client.chat.completions.create(            model="teacher-model",            messages=[                {"role": "system", "content": system},                {"role": "user", "content": question},            ],            temperature=0.3,            top_p=0.9,        )        answer = response.choices[0].message.content        row = {            "messages": [                {"role": "system", "content": system},                {"role": "user", "content": question},                {"role": "assistant", "content": answer},            ]        }        f.write(json.dumps(row, ensure_ascii=False) + "\n")

真正训练前，不要直接把 teacher 输出喂进去。先抽检，尤其是命令和版本号。

---

10. 微调：优先 QLoRA，不要上来全量

---

Unsloth 文档里很明确：入门优先 LoRA/QLoRA。对 Qwen3.6 这类大模型来说，full fine-tuning 成本非常高；本地消费级机器更现实的是：

• • 本地 GGUF 跑推理；
• • 云端或高显存机器做 QLoRA；
• • 训练后导出 LoRA 或 GGUF；
• • 再回本地部署。

10.1 推荐超参起点

参数	建议
r	16 或 32
lora_alpha	16/32/64，通常等于 r 或 2r
lora_dropout	0 起步，怀疑过拟合时 0.05–0.1
learning_rate	2e-4 快速试；正式可降到 1e-4 / 5e-5
num_train_epochs	1–3
per_device_train_batch_size	1–2
gradient_accumulation_steps	8–16
max_seq_length	2048/4096 起步，长文档再加

Unsloth 文档推荐 target modules 覆盖 attention + MLP：

target_modules = [    "q_proj", "k_proj", "v_proj", "o_proj",    "gate_proj", "up_proj", "down_proj",]

10.2 训练代码骨架

下面是 SFT 骨架。实际显存需求取决于模型、量化、上下文和 batch；如果 27B/35B-A3B 在本地放不下，就用云端 A100/H100 或先换更小 Qwen 模型验证数据。

from datasets import load_datasetfrom trl import SFTTrainer, SFTConfigfrom unsloth import FastLanguageModelfrom unsloth.chat_templates import get_chat_template, train_on_responses_onlymax_seq_length = 4096model, tokenizer = FastLanguageModel.from_pretrained(    model_name="unsloth/Qwen3.6-27B",    max_seq_length=max_seq_length,    load_in_4bit=True,)tokenizer = get_chat_template(    tokenizer,    chat_template="qwen3",)model = FastLanguageModel.get_peft_model(    model,    r=16,    target_modules=[        "q_proj", "k_proj", "v_proj", "o_proj",        "gate_proj", "up_proj", "down_proj",    ],    lora_alpha=32,    lora_dropout=0,    bias="none",    use_gradient_checkpointing="unsloth",    random_state=3407,)dataset = load_dataset("json", data_files="distill_qwen36_mtp.jsonl", split="train")def formatting_prompts_func(examples):    texts = [        tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=False)        for messages in examples["messages"]    ]    return {"text": texts}dataset = dataset.map(formatting_prompts_func, batched=True)trainer = SFTTrainer(    model=model,    tokenizer=tokenizer,    train_dataset=dataset,    dataset_text_field="text",    max_seq_length=max_seq_length,    args=SFTConfig(        per_device_train_batch_size=1,        gradient_accumulation_steps=16,        warmup_steps=10,        max_steps=300,        learning_rate=1e-4,        logging_steps=10,        optim="adamw_8bit",        weight_decay=0.01,        lr_scheduler_type="linear",        seed=3407,        output_dir="outputs_qwen36_mtp_sft",    ),)trainer = train_on_responses_only(    trainer,    instruction_part="<|im_start|>user\n",    response_part="<|im_start|>assistant\n",)trainer.train()

这里有两个关键点：

1. 1. 训练前必须确认 chat template 和模型匹配；
2. 2. 建议只训练 assistant response，不要让模型学习用户输入本身。

如果 chat_template="qwen3" 在当前 Unsloth 版本中不可用，就先打印支持列表：

from unsloth.chat_templates import CHAT_TEMPLATESprint(CHAT_TEMPLATES.keys())

然后选择最接近 Qwen ChatML 的模板，或使用 tokenizer 自带 apply_chat_template。

---

11. 保存、导出、部署

---

训练后先保存 LoRA adapter：

model.save_pretrained("qwen36_mtp_lora")tokenizer.save_pretrained("qwen36_mtp_lora")

如果你要用 vLLM 部署，保存 merged 16bit：

model.save_pretrained_merged(    "qwen36_mtp_merged_16bit",    tokenizer,    save_method="merged_16bit",)

然后：

vllm serve ./qwen36_mtp_merged_16bit

如果你要回到 llama.cpp / Ollama / LM Studio，导出 GGUF：

model.save_pretrained_gguf(    "qwen36_mtp_finetuned_gguf",    tokenizer,    quantization_method="q4_k_m",)

或者推到 Hugging Face：

model.push_to_hub_gguf(    "你的用户名/qwen36-mtp-finetuned-gguf",    tokenizer,    quantization_method="q4_k_m",)

导出后效果变差怎么办

Unsloth 文档里反复强调：最常见原因是 chat template 不一致。

排查顺序：

1. 1. 训练时用的 template；
2. 2. 推理时用的 template；
3. 3. eos token；
4. 4. 是否多加了 BOS token；
5. 5. 是否 assistant/user 标记不一致；
6. 6. 是否把用户输入也训练进 loss 里。

如果导出 GGUF 后出现乱码、无限重复、停不下来，优先查这些。

---

12. 什么时候考虑 GRPO

---

SFT 能解决“格式、风格、领域问答、流程化输出”。

如果你的任务有明确可验证答案，比如：

• • 数学题最终答案；
• • 代码题单元测试；
• • JSON schema 是否通过；
• • 命令是否符合规则；
• • SQL 是否能执行；

再考虑 GRPO/RLVR。

Unsloth 的 GRPO 文档建议：reward/verifier 要认真设计，数据量太小会不稳定，通常至少准备几百行。学习率也要比 SFT 小，RL 类任务可从 5e-6 起步。

我的建议是：

先 SFT，让模型学会你的任务格式；再 GRPO，让模型在可验证任务上学会更优策略。

不要第一天就上 RL。

---

13. 已知坑点汇总

---

坑 1：MTP 支持还在实验分支

llama.cpp PR #22673 仍是 Open。你今天看到的是 --spec-type mtp，明天可能变成 draft-mtp。遇到参数报错，先看 PR 最新讨论。

坑 2：-np > 1 暂时不适合

Unsloth 模型卡和 PR 讨论都提到当前 MTP 路线需要单 parallel。启动报错时，显式加：

-np 1# 或--parallel 1

坑 3：多模态先别和 MTP 混用

当前说明里 --mmproj 与 MTP 暂不支持。想跑图像/视频理解，先用 vLLM/SGLang 或普通路线；想跑 MTP，就先做纯文本。

坑 4：长上下文不一定更快

MTP 主要加速 decode。如果你的任务是 200K prompt + 200 token 输出，prefill 才是大头。PR 讨论里也有用户观察到 MTP 路径 prefill 变慢。

坑 5：微调比推理吃资源得多

GGUF 量化推理能在消费级显卡上跑，不代表 27B/35B-A3B QLoRA 微调也能轻松跑。微调前先用小数据、小步数、短上下文验证流程。

---

14. 我的推荐实操配置

---

如果你今天就想开始，我建议：

入门体验

• • 模型：unsloth/Qwen3.6-27B-MTP-GGUF:UD-Q4_K_XL
• • 后端：llama.cpp MTP 分支
• • context：8192 或 16384
• • MTP：--spec-draft-n-max 2
• • 任务：代码生成、长文生成

高性价比能力体验

• • 模型：unsloth/Qwen3.6-35B-A3B-MTP-GGUF:UD-Q4_K_XL
• • 后端：llama.cpp MTP 分支
• • context：8192 起步
• • 如果 OOM：降到 3-bit/IQ 量化，或减小 context

数据蒸馏

• • 格式：ChatML JSONL
• • 样本数：100 条起步验证，1000+ 更稳
• • teacher：本地强模型或云端 API
• • 必做：规则过滤 + 人工抽检

微调

• • 方法：QLoRA
• • rank：16 起步
• • lr：1e-4 或 2e-4 快速验证
• • max_steps：先 60，再 300+
• • 保存：先 LoRA，再 merged，再 GGUF

---

15. 结尾：这次真正值得关注的不是“快”，而是链路完整了

---

Qwen3.6 + MTP 的意义，不只是某张显卡上多跑了几十 tok/s。

更重要的是，现在这条链路开始完整：

Qwen3.6 官方 MTP 训练        ↓Unsloth 保留 MTP head 的 GGUF        ↓llama.cpp MTP speculative decoding        ↓本地 OpenAI-compatible API        ↓蒸馏数据        ↓QLoRA 微调        ↓GGUF / vLLM / Studio 再部署

如果你只是想尝鲜，今天就跑 MTP-GGUF。

如果你想做自己的本地助手，先别急着微调。先收集 100 条高质量任务，蒸馏成 ChatML，跑一个小步数 QLoRA，看看模型是不是朝你想要的方向变了。

跑通这条闭环，比单次 benchmark 更重要。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】