Tutorial abierto en chino que enseña los principios de los LLM creando desde cero un modelo pequeño al estilo de LLaMA2, y cubre Transformer, preentrenamiento, ajuste fino, RAG y agentes.
34,5 mil3,3 milJupyter NotebookOtherActualizado hace 2 meses
Hoper-J/AI-Guide-and-Demos-zh_CN
Guía paso a paso en chino y código de ejemplo para aprender sobre LLM, desde llamadas a API hasta despliegue local y fine-tuning, con versiones para Kaggle y Colab.
- Estrellas
- 4,720
- Forks
- 489
- Issues abiertos
- 1
- Último commit
- hace 8 días
¿Qué es?
Este repositorio ofrece una ruta de aprendizaje en chino sobre los modelos de lenguaje grandes y la IA generativa. Empieza con llamadas a API de LLM mediante el SDK compatible con OpenAI y continúa con la ejecución local de modelos cuantizados, la creación de una aplicación sencilla con Gradio, el fine-tuning de modelos, RAG con LangChain y el entrenamiento de LoRA para Stable Diffusion. Cada tutorial incluye código para notebooks y enlaces correspondientes a Kaggle o Colab, para que quienes no tengan una GPU local puedan ejecutar los ejemplos en línea.
Además de los tutoriales, el proyecto incluye un pequeño CodePlayground con scripts ejecutables para resumir videos con IA, chatear y generar imágenes, así como una sección sobre el uso de la API de DeepSeek. También ofrece una versión en chino de las tareas del curso de IA generativa de 2024 de Hung-yi Lee, con el código de las tareas adaptado para ejecutarse localmente.
El proyecto usa uv para configurar el entorno y ofrece una imagen de Docker para un entorno de deep learning en Linux.
Funciones clave
- 01Tutoriales paso a paso, desde llamadas a API de LLM hasta el despliegue local y el fine-tuning
- 02Código para notebooks con enlaces a Kaggle y Colab, para ejecutar los ejemplos sin una GPU local
- 03Abarca LoRA, DPO, RAG con LangChain, cuantización (GPTQ, AWQ, GGUF) y LoRA para Stable Diffusion
- 04Scripts ejecutables en CodePlayground para resumir videos, chatear y generar imágenes
- 05Versión en chino de las tareas del curso de IA generativa de 2024 de Hung-yi Lee
- 06Imágenes de Docker con herramientas de deep learning preinstaladas para Linux
Casos de uso
- Un desarrollador que recién empieza con los LLM y quiere probar ejemplos prácticos de uso de API sin una GPU
- Un estudiante que sigue el curso de IA generativa de 2024 de Hung-yi Lee y necesita código ejecutable para las tareas
- Alguien que está aprendiendo a ejecutar modelos cuantizados de 7B en una computadora personal
- Equipos o estudiantes que exploran el fine-tuning con LoRA y RAG mediante guías en chino
Inicio rápido
- 1
Clona el repositorio
git clone https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN.git - 2
Abre la guía y sigue los pasos para configurar el entorno (se usa uv para configurar el entorno)
Antes de usarlo
- La mayor parte del contenido está en chino, por lo que puede resultar menos útil para los desarrolladores que hablan inglés.
- Varias guías requieren una GPU con suficiente VRAM para entrenar o ejecutar modelos localmente.
- Algunos enlaces de Colab se suspendieron y están en proceso de migración, por lo que es posible que algunos notebooks en línea no estén disponibles.
Temas
Preguntas frecuentes
- ¿Qué es AI-Guide-and-Demos-zh_CN?
- Guía paso a paso en chino y código de ejemplo para aprender sobre LLM, desde llamadas a API hasta despliegue local y fine-tuning, con versiones para Kaggle y Colab. Este repositorio ofrece una ruta de aprendizaje en chino sobre los modelos de lenguaje grandes y la IA generativa. Empieza con llamadas a API de LLM mediante el SDK compatible con OpenAI y continúa con la ejecución local de modelos cuantizados, la creación de una aplicación sencilla con Gradio, el fine-tuning de modelos, RAG con LangChain y el entrenamiento de LoRA para Stable Diffusion. Cada tutorial incluye código para notebooks y enlaces correspondientes a Kaggle o Colab, para que quienes no tengan una GPU local puedan ejecutar los ejemplos en línea.
- ¿AI-Guide-and-Demos-zh_CN es gratuito? ¿Qué licencia tiene?
- AI-Guide-and-Demos-zh_CN es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿AI-Guide-and-Demos-zh_CN sigue mantenido?
- Mantenimiento activo. El último commit de AI-Guide-and-Demos-zh_CN fue el 12 oct 2026.
- ¿Para qué puedo usar AI-Guide-and-Demos-zh_CN?
- Un desarrollador que recién empieza con los LLM y quiere probar ejemplos prácticos de uso de API sin una GPU Un estudiante que sigue el curso de IA generativa de 2024 de Hung-yi Lee y necesita código ejecutable para las tareas Alguien que está aprendiendo a ejecutar modelos cuantizados de 7B en una computadora personal Equipos o estudiantes que exploran el fine-tuning con LoRA y RAG mediante guías en chino
- ¿Cómo se instala AI-Guide-and-Demos-zh_CN?
- Clona el repositorio: git clone https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN.git Abre la guía y sigue los pasos para configurar el entorno (se usa uv para configurar el entorno)
- ¿Dónde consigo AI-Guide-and-Demos-zh_CN?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Colección de tutoriales en chino para desplegar, usar y ajustar LLM de código abierto y modelos multimodales en Linux, con guías de fine-tuning completo, LoRA y P-tuning.
32,5 mil3,1 milJupyter NotebookApache-2.0Actualizado el mes pasado
Curso interactivo por capítulos que enseña a los desarrolladores a escribir prompts eficaces para Claude.
38,7 mil4,3 milJupyter NotebookSin licenciaActualizado hace 2 meses
Una colección curada de cursos para aprender IA generativa, recopilaciones de artículos de investigación, materiales para preparar entrevistas y notebooks de código, organizada por objetivos y nivel de experiencia.
29,9 mil6 milHTMLMITActualizado hace 5 días
Proyecto educativo paso a paso para crear Retrieval-Augmented Generation desde cero en JavaScript, con LLM locales y sin API en la nube.
1,6 mil205JavaScriptMITActualizado hace 7 meses
Framework unificado para ajustar eficientemente más de 100 LLM y VLM con una CLI y una interfaz web sin código.
75,6 mil9,3 milPythonApache-2.0Actualizado ayer