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。

用 AI 最容易犯的错是「看着不错就用了」，这篇给出一张可复用的打分表。

评分表（每项 1 到 5 分）

维度看什么1 分5 分
效果真实任务上的回答质量明显不合格无需修改即可使用
性能生成速度与并发能力明显不合格无需修改即可使用
资源显存、内存与硬件成本明显不合格无需修改即可使用
运维部署、升级与监控的难度明显不合格无需修改即可使用
许可是否满足商用与合规要求明显不合格无需修改即可使用

建议：任一维度低于 3 分就不要直接使用；总分用于比较不同提示词或不同工具的效果。

用一个任务试打分

模型对比测试

输入：两到三个候选开源模型。

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。

交付前确认：测试问题相同。

怎么让评分更可靠

  • 同一批材料至少测 5 次，不只看最好的一次。
  • 两人分别打分，分歧大的维度再讨论标准。
  • 把 LMDeploy 的结果与人工完成或 vLLM 的结果放在一起盲评。
  • 每次改提示词后用同一批材料复测。

延伸练习

小规模微调

输入：几百条高质量问答数据。

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。

验收标准：有前后对比。

私有知识问答

准备材料：一批不能上传云端的内部文档。

在本地搭建问答：本地模型负责回答，文档向量化存储在本机，回答时注明出处段落，断网情况下验证仍可使用。

检查点：断网可用。

本地部署试跑

准备材料：一台有独立显卡或大内存的电脑。

按官方文档在本机部署，选择一个适合显存的模型尺寸，运行一个简单的对话或推理测试，记录显存占用和生成速度。

交付前确认：记录了资源占用。

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。

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：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。

概念补充：GGUF

llama.cpp 生态常用的模型文件格式。

概念补充：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。

适合人群：咨询顾问

咨询顾问可以用 LMDeploy 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

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。

适合人群：财务人员

财务人员可以用 LMDeploy 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

写在最后

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

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。

延伸阅读