LMDeploy 相关术语解释（新手向）
LMDeploy 是一款开源项目：上海人工智能实验室开源的模型压缩与部署工具。
看文档和设置项时遇到的术语，这里用一两句话解释清楚。
术语表
- 开放权重：公开模型参数可下载使用，但许可证条款各不相同。
- 量化：降低模型参数精度以减少显存占用，可能影响效果。
- GGUF：llama.cpp 生态常用的模型文件格式。
- 推理框架：负责加载模型并高效生成结果的软件。
- LoRA 微调：只训练少量附加参数的低成本微调方法。
- 许可证：规定能否商用、是否需署名等条件，部署前必须阅读。
和 LMDeploy 相关的补充
- 开源项目：LMDeploy 的产品形态，决定了安装、权限和数据存放方式。
- 同类产品：vLLM、SGLang、TensorRT-LLM。
- 所属方向：本地与开源。
把概念用起来
小规模微调
适用情况：手头有几百条高质量问答数据时。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
检查点：有前后对比。
延伸练习
模型对比测试
适用情况：手头有两到三个候选开源模型时。
用 20 个真实业务问题测试候选模型，记录回答质量、速度和资源占用，选出最适合的模型。
验收标准：测试问题相同。
接入现有应用
适用情况：手头有一个已有的业务系统时。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
交付前确认：超时与并发有限制。
团队共享服务
输入：一台团队共用的服务器。
把服务部署为团队共享：设置访问认证、按用户记录调用日志、限制单用户并发，并写一份使用说明。
验收标准：开启了访问认证。
常见问题：显存不足无法加载
换用更小的模型或更低的量化等级，或启用 CPU 卸载。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
常见问题：升级后不兼容
固定版本号，升级前在测试环境验证。
概念补充：GGUF
llama.cpp 生态常用的模型文件格式。
概念补充：LoRA 微调
只训练少量附加参数的低成本微调方法。
适合人群：研究生
研究生可以用 LMDeploy 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。
适合人群：数据分析师
数据分析师可以用 LMDeploy 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：法务与律师助理
法务与律师助理可以用 LMDeploy 处理合同初审、法规检索等工作。需要注意：AI 输出不构成法律意见，条款和法规必须由执业人员核实。
使用提醒
本文基于 LMDeploy 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
涉及个人信息、商业机密或受监管数据时，先确认 LMDeploy 的数据处理条款，再决定能否使用。