把书生·浦语学明白：InternLM 官方教程仓库的完整学习地图
书生·浦语（InternLM）是上海人工智能实验室研发并持续开源的大语言模型系列，而 GitHub 上由同一团队维护的 tutorial 仓库，就是这套模型的官方配套教程。它从开发环境与模型初识讲起，依次覆盖提示词工程、XTuner 微调、LMDeploy 部署、OpenCompass 评测与基于 LlamaIndex 的检索增强应用，几乎对应了大模型应用开发的整条技能链路。这份教程同时也是「书生·浦语大模型实战营」的主讲材料：营期内每周一个主题课，配作业、笔记提交与优秀笔记评选，是目前中文世界里少数把「入门—微调—部署—评测—落地」串成一条线的系统性公开课程。
壹为什么值得跟着官方仓库学一遍
市面上的大模型教程大多分成两类：一类是概念科普，听完热血沸腾却写不出一行代码；另一类是零散博客，代码片段能跑通，但缺前后文，换个版本就报错。InternLM tutorial 的价值在于第三种形态——它是围绕一套真实开源模型持续迭代的讲义，模型升级、工具链更新时教程同步修订，你踩的坑大概率作者也写过注解。
其次，它教的不是孤立技巧，而是完整工作流。很多学习者第一次微调成功后不知道下一步该做什么，恰恰因为缺少「微调之后必须评测、部署之前先想量化」这类全局视角。这份教程把 XTuner、LMDeploy、OpenCompass 三个自家工具箱按顺序编排，学完天然形成闭环。
第三，中文语境友好。讲义正文以中文书写，术语给出中英对照，作业示例贴合中文语料场景，对国内学习者来说省掉了「边学技术边翻译」的双重负担。
- 一台 Linux 环境（物理机、WSL2 或云服务器均可）并安装好 Conda，用于隔离依赖；
- 一个 Hugging Face 或 ModelScope 账号，用于下载 InternLM 系列权重与数据集；
- 基本的 Python 与命令行功底——不需要精通 PyTorch，教程会在用到的地方解释。
贰六阶段学习路径拆解：从跑通到落地
tutorial 仓库的章节可以重组成下面六个阶段。顺序不必严格线性，但每一阶段的产出物都是下一阶段的输入。
- 01环境准备与模型初识配置 CUDA、PyTorch 与依赖库，先用 InternLM 的轻量版本（1.8B 一类小参数模型）完成首次对话推理，理解 tokenizer、生成参数这些地基概念。
- 02提示工程入门对比角色设定、少样本示例、思维链等提示策略在同任务上的效果差异，建立「不改权重也能改变行为」的第一直觉。
- 03XTuner 微调实战学习增量预训练与指令微调的数据组织格式，重点掌握 LoRA、QLoRA 等低成本微调路线，亲手让基座模型学会一份自定义语料的风格。
- 04LMDeploy 部署上线认识 KV Cache、量化与 TurboMind 推理引擎，把微调后的权重封装成本地 API 服务，为接入前端应用做好准备。
- 05OpenCompass 评测验证用司南评测体系给原始模型与微调模型分别打分，读懂准确率之外的稳健性指标，用数据回答「这次微调到底有没有用」。
- 06LlamaIndex 检索增强应用把私有文档切块、向量化并挂载到大模型上，搭出一个只回答你自己资料的问答助手，理解 RAG 与微调两条路线的分工。
| 章节板块 | 核心主题 | 完成后你能拿到什么 |
|---|---|---|
| 第一课 环境与入门 | 开发环境、模型加载与推理初体验 | 一个能对话的最小可用环境 |
| Prompt 相关课时 | 提示策略设计与对比实验 | 一套可复用的提示模板 |
| XTuner 课时 | LoRA/QLoRA 微调全流程 | 一份属于自己的 Adapter 权重 |
| LMDeploy 课时 | 量化、加速与服务化封装 | 本地可调用的推理 API |
| OpenCompass 课时 | 基准评测与结果解读 | 微调前后的量化对比报告 |
| RAG 课时 | 向量检索与大模型结合 | 私有知识问答原型 |
| 作业与笔记体系 | 每课配套练习、优秀笔记评选 | 可放进作品集的学习档案 |
叁算力门槛坦白盒：动手前请先掂量显卡
按教程各章给出的参考配置，7B 量级模型的 LoRA 微调通常需要一张 24GB 显存级别的显卡（如 RTX 3090/4090）；若要做全参数微调或大批量推理，则普遍要动用 A100 级别的多卡资源。实战营的通行做法是使用官方提供的 InternStudio 云端算力完成作业，个人学习者也可以按小时租用 GPU 云主机。好消息是：前三个阶段以及 RAG 板块对硬件相当宽容，轻量小模型甚至能在低配设备或纯 API 调用下完成体验；真正烧卡的只有微调与大规模推理两处。各章显存要求随版本更新变动，动手前请以仓库内当期说明为准。
肆学习者路线清单：不同背景怎么抄近道
| 你是谁 | 建议切入点 | 可以缓一缓的部分 |
|---|---|---|
| 在校学生 | 完整走完全部六阶段，配合实战营作业节奏 | 暂缓大规模全量微调，优先 LoRA |
| 后端工程师转 AI | 先学 01/04 两阶段，把服务化链路打通 | 提示工程可快速略读 |
| 算法岗求职者 | 主攻 03/05，面试常考的微调与评测都在这两章 | RAG 可放到入职后再补 |
| 零基础爱好者 | 只用 01/02/06，先做出能用的问答小玩具 | 微调与量化留待有卡之后再战 |
无论哪条路线，都建议把每一课的作业提交到仓库的笔记区：写作是最好的复盘，而实战营的优秀笔记评选也会反哺教程本身，形成社区共写的内容循环。
伍常见问题
这个教程仓库收费吗？
完全免费且开源，讲义托管在 GitHub 的 InternLM/tutorial 仓库，任何人都可以直接阅读、克隆与提 Issue，部分课程视频另行发布，同样不设付费墙。
不会 PyTorch 能学吗？
有基础 Python 功底即可起步，教程在关键位置会对深度学习概念做即席讲解；遇到卡壳时补对应知识点即可，不必先修完一整门 PyTorch 课程。
全部学完大概什么水平？
参照实战营的培养目标，走完全部阶段并能独立完成作业的学习者，通常可以独立执行一次 LoRA 微调、把模型部署成服务、并用评测框架给出改进依据——相当于具备大模型应用工程师的入门能力，更高阶的分布式训练仍需另行深造。
该先读论文还是先跟教程？
建议先跑通再回头补理论。教程对应的 InternLM2 等技术报告在 arXiv 公开，带着实操记忆去读论文，理解效率远高于空对空地啃公式。
模型权重去哪里下载？
Hugging Face 的 internlm 组织页与国内镜像渠道均可获取各代模型权重，教程相应章节附有下载脚本与校验步骤。
陆参考资料
相似工具推荐
书生模型库实验室的旗舰语言模型家族，从 7B 到百亿级参数多档位开源，配套完整训练与对话方案。书生模型书生·浦语文档产出物：一个能 import 成功的虚拟环境。重点抄下文档给出的 Python、PyTorch 与 CUDA 组合，不要自由发挥版本号。书生浦语
书生·浦语API这篇手记回答一个很实际的问题：不想自己买显卡部署，怎么用最短的路径调通书生系的模型？按官方口径，书生·浦语的开放接口由实验室的书生大模型平台书生浦语
Insidr AIInsidr.ai 是一个面向 AI 创业者与商业应用者的学习与落地平台，核心主张是「学习、实施、变现 AI」，通过 AI 解决方案、培训课AI创业
AI课堂传统课堂是「一个老师对几十人」，节奏只能取平均；搜题 App 是「给答案」，往往跳过理解。AI 课堂想做的是中间那层：先判断你卡在哪，再用你AI学习
阿里百炼一句话认识它：阿里云百炼（Model Studio）是阿里云推出的一站式大模型开发与服务平台，定位为面向企业与开发者的模型即服务（MaaS）百炼
参考资料
- 来源：GitHub — InternLM/tutorial 官方教程仓库
- 来源：GitHub — InternLM 模型主仓库
- 来源：GitHub — XTuner 大模型微调工具箱
- 来源：GitHub — LMDeploy 推理部署工具箱
- 来源：GitHub — OpenCompass 司南评测体系
- 来源：上海人工智能实验室官网
- 来源：arXiv — InternLM2 技术报告
- 来源：Hugging Face — InternLM 模型组织主页