Tutorial aberto em chinês que ensina os princípios dos LLMs construindo do zero um modelo pequeno no estilo LLaMA2, com Transformer, pré-treinamento, fine-tuning, RAG e agentes.
34,5 mil3,3 milJupyter NotebookOtherAtualizado há 2 meses
Hoper-J/AI-Guide-and-Demos-zh_CN
Guia passo a passo em chinês, com código de demonstração para aprender LLMs, desde chamadas de API até implantação local e fine-tuning, com versões para Kaggle/Colab.
- Estrelas
- 4,720
- Forks
- 489
- Issues abertas
- 1
- Último commit
- há 8 dias
O que é?
Este repositório oferece um roteiro de aprendizado em chinês sobre modelos de linguagem grandes e IA generativa. Ele começa com chamadas a APIs de LLM usando o SDK compatível com OpenAI e avança para a execução local de modelos quantizados, a criação de um app simples com Gradio, fine-tuning de modelos, RAG com LangChain e treinamento de LoRA para Stable Diffusion. Cada tutorial vem acompanhado de código em notebooks com links correspondentes para Kaggle ou Colab, permitindo que leitores sem GPU local executem os exemplos online.
Além dos tutoriais, o projeto inclui um pequeno CodePlayground com scripts executáveis para resumo de vídeos com IA, chat e geração de imagens, além de uma seção sobre o uso da API da DeepSeek. Também oferece um espelho em chinês dos trabalhos do curso de IA generativa de 2024 de Hung-yi Lee, com o código das tarefas adaptado para execução local.
O projeto usa uv para configurar o ambiente e oferece uma imagem Docker para um ambiente de deep learning no Linux.
Recursos principais
- 01Tutoriais passo a passo, de chamadas à API de LLM até implantação local e fine-tuning
- 02Código em notebooks com links para Kaggle e Colab, para executar os exemplos sem GPU local
- 03Aborda LoRA, DPO, RAG com LangChain, quantização (GPTQ, AWQ, GGUF) e LoRA para Stable Diffusion
- 04Scripts executáveis no CodePlayground para resumo de vídeos, chat e geração de imagens
- 05Espelho em chinês dos trabalhos do curso de IA generativa de 2024 de Hung-yi Lee
- 06Imagens Docker com ferramentas de deep learning pré-instaladas para Linux
Casos de uso
- Desenvolvedores começando a aprender sobre LLMs que querem exemplos práticos de API sem precisar de GPU
- Alunos do curso de IA generativa de 2024 de Hung-yi Lee que precisam de código executável para as tarefas
- Quem está aprendendo a executar modelos quantizados de 7B em um computador pessoal
- Equipes ou estudantes que querem explorar fine-tuning com LoRA e RAG com tutoriais em chinês
Início rápido
- 1
Clone o repositório
git clone https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN.git - 2
Abra o guia e siga as etapas de configuração do ambiente (uv é usado para configurar o ambiente)
Antes de usar
- A maior parte do conteúdo está em chinês, então pode ser menos útil para desenvolvedores que falam inglês.
- Vários guias exigem uma GPU com VRAM suficiente para treinar ou executar modelos localmente.
- Alguns links do Colab foram suspensos e estão sendo migrados, então alguns notebooks online podem estar indisponíveis.
Tópicos
Perguntas frequentes
- O que é AI-Guide-and-Demos-zh_CN?
- Guia passo a passo em chinês, com código de demonstração para aprender LLMs, desde chamadas de API até implantação local e fine-tuning, com versões para Kaggle/Colab. Este repositório oferece um roteiro de aprendizado em chinês sobre modelos de linguagem grandes e IA generativa. Ele começa com chamadas a APIs de LLM usando o SDK compatível com OpenAI e avança para a execução local de modelos quantizados, a criação de um app simples com Gradio, fine-tuning de modelos, RAG com LangChain e treinamento de LoRA para Stable Diffusion. Cada tutorial vem acompanhado de código em notebooks com links correspondentes para Kaggle ou Colab, permitindo que leitores sem GPU local executem os exemplos online.
- AI-Guide-and-Demos-zh_CN é gratuito? Qual é a licença?
- AI-Guide-and-Demos-zh_CN é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- AI-Guide-and-Demos-zh_CN ainda é mantido?
- Manutenção ativa. O último commit de AI-Guide-and-Demos-zh_CN foi em 12 de out. de 2026.
- Para que posso usar AI-Guide-and-Demos-zh_CN?
- Desenvolvedores começando a aprender sobre LLMs que querem exemplos práticos de API sem precisar de GPU Alunos do curso de IA generativa de 2024 de Hung-yi Lee que precisam de código executável para as tarefas Quem está aprendendo a executar modelos quantizados de 7B em um computador pessoal Equipes ou estudantes que querem explorar fine-tuning com LoRA e RAG com tutoriais em chinês
- Como instalar AI-Guide-and-Demos-zh_CN?
- Clone o repositório: git clone https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN.git Abra o guia e siga as etapas de configuração do ambiente (uv é usado para configurar o ambiente)
- Onde consigo AI-Guide-and-Demos-zh_CN?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/Hoper-J/AI-Guide-and-Demos-zh_CN
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Coleção de tutoriais em chinês sobre implantação, uso e ajuste fino de LLMs e modelos multimodais de código aberto no Linux, com guias de treinamento completo, LoRA e P-tuning.
32,5 mil3,1 milJupyter NotebookApache-2.0Atualizado mês passado
Curso interativo dividido em capítulos que ensina desenvolvedores a escrever prompts eficazes para o Claude.
38,7 mil4,3 milJupyter NotebookSem licençaAtualizado há 2 meses
Um hub organizado de cursos de IA generativa, seleções de artigos de pesquisa, materiais para entrevistas e notebooks de código, estruturado por jornada e nível de habilidade.
29,9 mil6 milHTMLMITAtualizado há 5 dias
Projeto educacional passo a passo que implementa RAG do zero em JavaScript, usando LLMs locais e sem APIs na nuvem.
1,6 mil205JavaScriptMITAtualizado há 7 meses
Framework unificado para ajustar 100+ LLMs e VLMs com eficiência, usando uma CLI e uma interface Web sem código.
75,6 mil9,3 milPythonApache-2.0Atualizado ontem