前提：
1、有授权的Copilot的github账号（学生认证或购买），vscode已登录账号
2、远程主机已安装Github Copilot和Github Copilot Chat插件
现象：
左侧工具栏没有copilot chat的图标
解决:
打开vscode设置(setting)，在设置中搜索"extension kind"，点击settings.json
在"remote.extensionKind"中添加：
"remote.extensionKind":{"GitHub.copilot":["ui"],"GitHub.copilot-chat":["ui"]}重启vscode可看见chat图标
参考：
快速解决vscode远程连接时copilot提示脱机状态无法使用的问题
VsCode远程连接服务器后安装Github Copilot无法使用
【AI大模型入门】03：文心一言——百度的AI战略，国产大模型的先行者 📖 阅读时长：约8分钟 🎯 适合人群：想了解国产大模型发展、或百度AI生态的用户 💡 你将学到：文心一言是什么、背后的技术、核心能力、使用方法 一、文心一言的"出生"背景 2023年3月，就在ChatGPT席卷全球的浪潮里，百度率先发布了国内第一个对标ChatGPT的大模型产品——文心一言（英文名：ERNIE Bot）。 这一步棋走得很早，也很大胆。当时百度创始人李彦宏亲自站台发布，引发了全社会对"国产AI能否追上ChatGPT"的大讨论。 时间轴： 2022.11 ChatGPT 发布，震惊世界 2023.03 文心一言 发布，中国第一个 2023.10 文心大模型4.
目录 文章目录 * 目录 * LLaMA-Factory * LLaMA-Factory + Qwen3-7B + LoRA * 安装部署 * 准备数据集 * 执行微调 * 批量推理和训练效果评估 * LoRA 模型合并导出 * 部署运行微调后的大模型 LLaMA-Factory Llama-Factory 是基于 transformers 库开发的训练、微调、推理一体化平台，支持预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等多种训练范式。支持使用 Accelerate 或 DeepSpeed 作为训练加速后端。 使用 Llama-Factory 进行微调非常简单，因为其最大的优势在于强大的数据处理与训练配置能力。只要按照官方的文档配置好环境，直接运行对应的脚本即可。 LLaMA-Factory + Qwen3-7B + LoRA 安装部署 * 容器安装 git clone
本教程详细讲解如何在AutoDL云GPU上使用LLaMA-Factory框架微调GPT-OSS-20B大语言模型，包含完整的环境配置、训练流程、权重合并以及vLLM推理部署全流程。文章最后还分享了笔者踩过的坑和解决方案，建议收藏备用！ 前言 最近在做一个智能采购相关的项目，需要对大语言模型进行微调，让它能够更好地理解采购场景的业务需求。在对比了多种方案后，最终选择了LLaMA-Factory + LoRA的组合，原因主要有三点： 1. 开箱即用：LLaMA-Factory提供了非常完善的训练框架，支持多种微调方式 2. 显存友好：LoRA相比全参数微调，显存占用大幅降低 3. 效果不错：在采购对话场景下，LoRA微调已经能够满足业务需求 本文将完整记录从环境配置到模型部署的全过程，希望能够帮助到有同样需求的小伙伴。 一、方案概览 在开始之前，先来看一下整体的技術方案： 组件选择说明微调框架LLaMA-Factory 0.9.4开源的大模型训练框架基础模型GPT-OSS-20B200亿参数的MoE大模型微调方式LoRA低秩适配，显存友好推理引擎vLLM高性能推
Llama Factory隐藏功能：一键生成可部署的API服务 作为一名移动应用开发者，当你费尽心思微调好一个文本分类模型后，最头疼的问题可能就是：如何将它快速转化为可调用的API接口？本文将手把手教你利用Llama Factory的隐藏功能，无需复杂编码即可生成可部署的API服务，实现从训练到上线的"最短路径"。 这类任务通常需要GPU环境支持，目前ZEEKLOG算力平台提供了包含Llama Factory的预置镜像，可快速部署验证。下面我们从零开始，完整走通这个流程。 为什么需要API服务化？ * 应用集成需求：移动端APP通常通过HTTP请求与后端交互，直接调用模型文件几乎不可行 * 资源隔离：将模型部署为独立服务，避免移动设备性能瓶颈 * 版本管理：API接口可保持稳定，后台模型可随时更新替换 提示：Llama Factory内置的API生成功能基于FastAPI框架，默认支持Swagger文档自动生成。 准备工作：检查你的微调成果 在开始API部署前，请确认你已完成以下步骤： 1. 成功微调模型并保存检查点（通常为adapter_model.bin