当前位置：首页 > news >正文

5分钟快速上手：CMLM-ZhongJing中医大语言模型完整使用指南

news 2026/6/17 23:35:52

5分钟快速上手：CMLM-ZhongJing中医大语言模型完整使用指南

【免费下载链接】CMLM-ZhongJing首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪，专为传统中医领域打造的预训练大语言模型。 The first-ever Traditional Chinese Medicine large language model - "CMLM-ZhongJing". Inspired by the profound wisdom of the ancient Chinese medical master Zhang Zhongjing, it is a pre-trained large language model designed specifically for the field of Traditional Chinese Medicine.项目地址: https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing

CMLM-ZhongJing（仲景）是首个专门为传统中医领域打造的预训练大语言模型，受古代中医学巨匠张仲景的深邃智慧启发，旨在将中医博大精深的知识体系与现代AI技术相结合，为医学研究和临床辅助提供专业工具。本指南面向技术新手和普通用户，提供从零开始快速体验这一专业中医AI模型的完整流程。

第一步：环境准备与项目部署

项目获取与基础配置

首先需要获取项目代码并设置基础环境。CMLM-ZhongJing基于Python开发，支持多种部署方式，从最简单的网页演示到本地完整运行都能满足不同需求。

关键操作点：

克隆项目仓库：使用Git命令获取最新代码

git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing.git cd CMLM-ZhongJing

安装依赖包：项目提供了完整的依赖列表
```
pip install -r requirements.txt
```
模型下载准备：项目支持两种不同规模的模型，可根据硬件配置选择：
- ZhongjingGPT1_13B：13B参数版本，需要高性能GPU
- ZhongJing-2-1_8b：1.8B轻量版，单张Tesla T4即可运行

实用小贴士：如果本地GPU资源有限，推荐使用1.8B轻量版模型，运行要求较低且响应速度快。

第二步：快速启动网页演示界面

一键启动交互式Web界面

CMLM-ZhongJing提供了基于Gradio的网页演示界面，无需编写任何代码即可体验中医AI的强大功能。

操作指南：

启动Web Demo：在项目目录中运行
```
python WebDemo.py
```
访问本地服务：启动成功后，在浏览器中打开http://localhost:7860/
界面功能说明：
- 单轮对话模式：适合简单的症状咨询和方剂查询
- 多轮对话模式：支持复杂的诊疗对话和病情分析
- 历史记录：自动保存对话历史便于回溯

界面特点：演示界面设计简洁直观，左侧为输入区域，右侧实时显示模型回答，支持中英文输入，响应速度快。

上图展示了CMLM-ZhongJing采用的多任务诊疗行为分解策略，该策略借鉴人类记忆与学习机制，通过15种诊疗场景任务构建高质量指令数据，确保模型在中医专业领域的准确性。

第三步：核心功能深度体验

中医专业问答实践

CMLM-ZhongJing在中医领域具备专业的知识库和推理能力，用户可以通过以下方式深度体验其核心功能：

中医症状咨询示例：

简单症状："头痛发热怎么办？"
复杂症状："心痛彻背，背痛彻心，怎么治疗，请你对此症状给出中医处方。"
舌脉象分析："舌红苔薄黄，脉细数，这是什么证候？"

诊疗决策推理测试：模型在复杂诊疗场景中表现出色，能够结合病史、症状、舌脉象进行综合辨证分析。

处方生成能力：基于专业中医知识库，模型能够生成符合中医理论的中药方剂，包括药物组成、剂量和煎服方法。

模型效果对比验证

CMLM-ZhongJing在专业医师评估中展现出卓越表现。以下是与其他主流模型在中医诊疗任务中的对比结果：

评估结果显示，CMLM-ZhongJing在参数规模相对较小的情况下，在客观性、逻辑性、专业性、准确性和完整性等多个维度上均表现优异，部分场景下甚至超越GPT-4等大型模型。

第四步：代码调用与集成开发

本地API调用方法

对于开发者用户，可以直接在Python项目中集成CMLM-ZhongJing模型：

基础调用示例：

from transformers import AutoModelForCausalLM, AutoTokenizer import torch # 初始化模型和分词器 peft_model_id = "CMLL/ZhongJing-2-1_8b" base_model_id = "Qwen/Qwen1.5-1.8B-Chat" model = AutoModelForCausalLM.from_pretrained(base_model_id, device_map="auto") model.load_adapter(peft_model_id) tokenizer = AutoTokenizer.from_pretrained( "CMLL/ZhongJing-2-1_8b", padding_side="right", trust_remote_code=True, pad_token='' ) # 构建查询指令 instruction = "我对三元汤的全过程很好奇，能否从简介、病历、症状、诊断和治疗，以及结果讨论等方面给我详细介绍？" # 准备输入 messages = [ {"role": "system", "content": "You are a helpful TCM medical assistant."}, {"role": "user", "content": f"Question: {instruction}"} ] # 生成回答 inputs = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) model_inputs = tokenizer([inputs], return_tensors="pt").to("cuda") generated_ids = model.generate(model_inputs.input_ids, max_new_tokens=512) response = tokenizer.decode(generated_ids[0], skip_special_tokens=True) print(response)

进阶配置选项：