IDEA-CCNL/Fengshenbang-LM · 上手攻略

• 仓库：IDEA-CCNL/Fengshenbang-LM
• 链接：https://github.com/IDEA-CCNL/Fengshenbang-LM
• 分类：academic-writing
• 作者：Tom
• 更新：2026-08-13

这是什么

封神榜（Fengshenbang-LM） 是 IDEA 研究院认知计算与自然语言研究中心（CCNL）主导的中文大模型开源体系，2021 年 11 月由沈向洋在 IDEA 大会上正式发布。定位是"中文认知智能的基础设施"，旗下包含 6 大模型系列，覆盖从语言理解到多模态生成的完整 NLP 任务。

三个子项目协同工作： - Fengshenbang Model：预训练大模型全家桶（姜子牙、二郎神、太乙等） - Fengshen Framework：预训练/微调框架 - Fengshenbang Benchmark：评估基准（含中文 SuperGLUE）

解决什么问题

中文 NLP 领域长期存在三个痛点： 1. 英文主导：Huggingface / PyTorch 生态以英文模型为主，中文模型碎片化 2. 重复建设：每个团队都从 0 训 BERT，浪费算力 3. 评测基准缺失：中文缺乏像 SuperGLUE 那样被广泛认可的评测体系

封神榜通过"提供一个中文基础模型体系"来一站式解决：选一个最接近的预训练模型 → 在下游任务微调 → 把新模型开源回体系。

快速安装

# 克隆仓库
git clone https://github.com/IDEA-CCNL/Fengshenbang-LM.git
cd Fengshenbang-LM

# 安装依赖（Python 3.7+）
pip install -r requirements.txt

# 安装封神框架
cd fengshen
pip install .

Python 版本要求：3.7+ 系统支持：Linux / Windows / macOS

核心用法

1. 从 Huggingface 直接加载模型（最简方式）

所有模型均同步至 Huggingface，无需 clone 完整仓库即可使用：

# 姜子牙系列（通用大模型）
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "IDEA-CCNL/Ziya-LLaMA-13B-v1.1"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)

# 推理示例
input_text = "用中文解释量子计算的基本原理"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

2. 二郎神系列（BERT 架构，中文理解）

# 二郎神-MegatronBert-1.3B-NLI（自然语言推理）
from transformers import AutoModel, AutoTokenizer

model_name = "IDEA-CCNL/Erlangshen-MegatronBert-1.3B-NLI"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name)

3. 太乙系列（文生图 / 多模态）

# 太乙文生图（需 GPU）
from diffusers import StableDiffusionPipeline

pipe = StableDiffusionPipeline.from_pretrained("IDEA-CCNL/Taiyi-Stable-Diffusion-XL-3.5B")
pipe = pipe.to("cuda")
prompt = "飞流直下三千尺，油画"
image = pipe(prompt, guidance_scale=7.5).images[0]
image.save("output.png")

4. 线上体验（无需本地部署）

5. 微调示例

# 参考仓库中的微调脚本
cd fengshen/examples/ziya_llama
# 内含 SFT / LoRA 等微调示例，具体命令见各子目录 README

6. 量化推理（节省显存）

# 参考 fengshen/examples/ziya_inference/
# 支持 GPTQ / AWQ 量化，13B 模型可压缩至 ~8GB 显存

模型系列速查

⚠️ 上述参数规模来自 2021-2023 年公开信息，最新模型参数规模请以 Huggingface 页面为准。

典型适用场景

1. 中文 NLP 下游任务微调起点：BERT 时代的中文模型普遍较小，二郎神 1.3B 是当时最大的中文 BERT，FewCLUE / ZeroCLUE 双榜登顶
2. 中文对话/文案生成：姜子牙系列 Ziya-LLaMA 支持多轮对话，适合客服、文案等场景
3. 中文文生图：太乙系列首个开源中文 Stable Diffusion，支持中文提示词直出
4. 领域任务（医疗/金融/法律）：余元系列有专门微调的领域模型
5. 学术研究基准：用 Fengshen Benchmark 评估新模型的中文理解能力

坑与注意

⚠️ 最新模型信息需核验：本攻略参数规模来自 2021-2023 年公开数据，Huggingface 上已有 Ziya2-13B、Ziya-Coding-34B 等新模型，参数规模请以 Huggingface IDEA-CCNL 主页 为准。

⚠️ 13B 模型需大量显存：Ziya-LLaMA-13B 推理需要 ~30GB 显存（FP16），量化后可降至 ~8GB，请评估硬件条件。

⚠️ LLaMA 许可限制：部分模型基于 LLaMA 架构，需遵守 LLaMA 的使用许可限制。

⚠️ 持续更新：封神榜项目声明会持续更新模型，但新模型发布节奏不固定，建议关注 Huggingface 主页或 GitHub Releases。

⚠️ 中文 SuperGLUE 基准：Fengshenbang Benchmark 正在完善中，部分评测基准尚未公开。

与同类对比

封神榜的差异化：不只是一个大模型，而是一套覆盖理解/生成/多模态/领域的中文 NLP 全家桶，尤其适合需要多种 NLP 能力的开发者或研究者。

一句话推荐结论

如果你需要一站式解决中文 NLP 任务——从语言理解到文生图，从通用模型到领域专用——封神榜是目前开源生态中覆盖最完整的中文预训练模型体系，选一个最接近的微调，比从 0 训练能节省 90% 的算力。