CMLM-仲景：7B参数中医AI如何实现超越GPT-4的专业诊疗能力终极指南

CMLM-仲景7B参数中医AI如何实现超越GPT-4的专业诊疗能力终极指南【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-ZhongJingCMLM-仲景是复旦大学团队开发的首个中医大语言模型专为传统中医领域设计在仅7B参数规模下展现出超越GPT-4的专业中医辨证处方能力。这款开源AI模型基于13.5万高质量中医指令数据训练采用创新的多任务诊疗分解策略为中医研究、教学和临床辅助提供了轻量级、高精度的智能解决方案。 核心价值为什么选择仲景中医AI在医疗AI领域通用大模型往往缺乏领域专业知识而专业医疗模型又面临部署门槛高、数据质量差的问题。CMLM-仲景通过三大创新解决了这些痛点问题挑战仲景解决方案用户收益领域专业知识不足13.5万中医专业指令数据涵盖古籍、方药、证候全维度获得准确可靠的中医诊疗建议模型部署成本高1.8B轻量版单张T4显卡即可运行13B版支持高性能推理低硬件门槛快速部署应用AI幻觉风险大多任务诊疗分解策略50中医师参与数据标注与评估减少错误输出提高临床安全性 技术架构从数据到智能的转化路径传统中医诊疗是一个复杂的认知过程涉及望闻问切四诊合参、辨证论治、方药配伍等多个环节。仲景模型通过人类诊疗行为分解技术将这一过程转化为AI可学习的结构化任务。图仲景模型将中医诊疗流程分解为15个专业任务模块实现从数据到智能的精准转化核心技术突破点1. 多任务诊疗分解策略将完整诊疗流程拆解为15个可计算子任务涵盖患者治疗故事、诊断分析、舌脉辨证、病机分析、处方功用等全流程每个任务都有明确的输入输出规范和质量控制标准2. 高质量指令数据构建# 指令数据示例结构 { instruction: 请分析四物汤的临床应用场景, input: 患者女性35岁月经量少色淡面色萎黄舌淡苔白脉细弱, output: 四物汤适用于血虚证主要功效为补血调经。该患者证属血虚宜用四物汤加味治疗... }3. 轻量化模型适配基于Qwen1.5-1.8B-Chat和Baichuan2-13B-Chat微调支持LoRA高效微调技术单卡部署无需复杂硬件配置 性能验证专业评估与真实场景测试为了验证模型的临床实用性研究团队进行了系统性评估。结果显示仲景模型在多个维度上表现优异表仲景模型在10B以下参数规模组别中综合表现最佳关键评估结果客观性得分5.7917- 接近超100B参数模型水平逻辑性得分5.9306- 诊疗推理连贯性优秀专业性得分5.6528- 中医专业知识准确性高专家点评仲景模型在辨证论治的准确性方面表现出色其处方建议与临床实践高度契合体现了对中医理论的深刻理解。️ 快速开始三步搭建你的中医AI助手环境准备与安装# 1. 克隆项目仓库 git clone https://gitcode.com/gh_mirrors/cm/CMLM-ZhongJing cd CMLM-ZhongJing # 2. 安装依赖包 pip install torch transformers gradio accelerate peft # 3. 启动Web演示界面 python WebDemo.py模型选择指南模型版本参数规模硬件要求适用场景下载方式ZhongJing-2-1_8b1.8B单张T4显卡(8GB)教学演示、快速体验、轻量部署HuggingFace直接下载ZhongjingGPT1_13B13B高性能GPU(24GB)研究开发、专业评估、生产环境需申请模型权重基础使用示例from transformers import AutoModelForCausalLM, AutoTokenizer import torch # 加载1.8B轻量版模型 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_mapauto ) model.load_adapter(peft_model_id) # 初始化tokenizer tokenizer AutoTokenizer.from_pretrained( peft_model_id, padding_sideright, trust_remote_codeTrue ) # 单轮对话函数 def tcm_consultation(question): prompt fQuestion: {question} messages [ {role: system, content: 你是一位专业的中医助手请提供专业的中医诊疗建议。}, {role: user, content: prompt} ] input_text tokenizer.apply_chat_template( messages, tokenizeFalse, add_generation_promptTrue ) inputs tokenizer([input_text], return_tensorspt).to(cuda) outputs model.generate( inputs.input_ids, max_new_tokens512, temperature0.7, top_p0.9 ) response tokenizer.decode( outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokensTrue ) return response # 示例咨询 question 患者头痛遇风加重舌淡苔白脉浮紧该如何辨证治疗 answer tcm_consultation(question) print(f中医诊断建议{answer}) 实际应用场景与案例场景一中医辨证辅助诊断问题患者主诉反复胃痛3个月饭后加重嗳气反酸舌红苔黄腻脉滑数。仲景模型分析辨证肝胃郁热证 病机肝气犯胃郁而化热 治法疏肝和胃清热止痛 方药左金丸合柴胡疏肝散加减 药物黄连6g吴茱萸3g柴胡10g枳壳10g白芍15g甘草6g 用法水煎服每日1剂分早晚温服 注意事项忌食辛辣油腻保持情绪舒畅场景二方剂配伍与加减需求基于四物汤进行血虚证的不同变证加减。仲景模型建议血虚兼气虚四物汤加黄芪、党参血虚兼血瘀四物汤加桃仁、红花血虚兼血热四物汤加丹皮、赤芍血虚兼寒凝四物汤加肉桂、炮姜场景三中医养生指导咨询35岁女性长期熬夜工作面色晦暗疲劳乏力如何调理仲景模型建议1. 饮食调理多食黑芝麻、枸杞、红枣、山药等补益肝肾之品 2. 作息调整保证23点前入睡避免过度劳累 3. 穴位按摩常按足三里、三阴交、太溪穴 4. 运动建议练习八段锦、太极拳等柔缓运动 5. 中药调理考虑六味地黄丸或归脾汤加减 进阶使用技巧1. 自定义提示词优化# 专业中医诊断提示词模板 professional_prompt 你是一位经验丰富的中医医师请根据以下信息进行辨证论治 患者信息{age}岁{gender}主诉{complaint} 症状{symptoms} 舌象{tongue} 脉象{pulse} 既往史{history} 请按照以下格式回答 1. 辨证分型 2. 病机分析 3. 治疗原则 4. 方药组成 5. 用法用量 6. 注意事项 # 养生保健提示词模板 health_prompt 你是一位中医养生专家请根据用户情况提供个性化养生建议 用户特点{characteristics} 生活习惯{habits} 健康目标{goals} 请提供 1. 饮食建议分季节 2. 运动方案 3. 作息调整 4. 情绪管理 5. 穴位保健 2. 多轮对话实现通过WebDemo.py中的多轮对话功能可以实现连续的中医问诊# 多轮对话示例 def multi_turn_diagnosis(): chat_history [] # 第一轮主诉收集 question1 请描述您的主要不适症状 response1 get_model_response(question1, chat_history) chat_history.append({role: user, content: question1}) chat_history.append({role: assistant, content: response1}) # 第二轮详细问诊 question2 症状持续多久了什么情况下加重或缓解 response2 get_model_response(question2, chat_history) return chat_history3. 批量处理与API集成import pandas as pd from tqdm import tqdm def batch_tcm_consultation(csv_path, output_path): 批量处理中医咨询数据 df pd.read_csv(csv_path) results [] for _, row in tqdm(df.iterrows(), totallen(df)): question f患者{row[age]}岁{row[gender]}主诉{row[complaint]} response tcm_consultation(question) results.append({ patient_id: row[id], question: question, response: response, timestamp: pd.Timestamp.now() }) result_df pd.DataFrame(results) result_df.to_csv(output_path, indexFalse, encodingutf-8-sig) return result_df 学习资源与进阶路径官方文档与教程核心源码src/zhongjinggpt_1_b.py - 模型核心实现代码技术教程src/ZhongJingGPT_1_B.ipynb - 详细使用指南与示例Web界面WebDemo.py - 图形化交互界面源码学习路径建议初学者阶段1-2周通过WebDemo.py快速体验模型功能阅读技术教程了解基础使用方法尝试常见中医问题的咨询进阶阶段3-4周学习模型架构与训练原理掌握自定义提示词编写技巧实现简单的API集成应用专家阶段1-2月参与数据标注与质量评估探索模型微调与优化开发专业中医应用场景❓ 常见问题解答Q1仲景模型与通用大模型有什么区别A仲景模型是专门针对中医领域优化的专业模型相比通用大模型具有以下优势中医专业知识更准确减少幻觉输出辨证论治逻辑更符合中医临床思维方药配伍建议更贴近经典理论部署成本更低1.8B版本单卡即可运行Q2模型输出可以直接用于临床治疗吗A绝对不可以。仲景模型所有输出结果仅供学术研究和教学参考使用不具备临床诊疗资质。真实医疗诊断必须由执业医师通过规范的诊疗过程完成。Q3如何提高模型在特定专科的表现A可以通过以下方式优化收集特定专科的优质病例数据设计专科专用的提示词模板使用LoRA等技术进行领域适配微调结合专家反馈进行迭代优化Q4模型支持哪些部署方式A目前支持本地单机部署推荐1.8B版本服务器集群部署13B版本Docker容器化部署API服务化部署 社区贡献与未来发展开源协作模式CMLM-仲景采用完全开源模式欢迎各界贡献数据贡献提供高质量中医病例数据代码贡献优化模型架构和推理效率文档贡献完善使用文档和教程评估贡献参与模型效果评估与反馈未来发展方向多学科数据扩展基于内、外、妇、儿、骨等多学科数据构建百万级指令数据集模型系列化计划发布李时珍、王叔和、皇甫谧、孙思邈、葛洪、岐黄等版本的中医药大语言模型高效微调策略探索更高效的领域适配微调技术临床应用探索在严格监管下探索辅助诊断、教学培训等应用场景⚠️ 重要免责声明医疗责任提示本模型所有输出结果仅供学术研究参考不构成任何医疗建议。临床诊断和治疗必须由经验丰富的专业医师提供。本中医药大语言模型尚处于实验室测试阶段不具备高度可信的临床诊疗能力。真实医疗诊断及决策需要由执业医师通过严格规范的诊疗过程完成。使用限制本项目仅供学术研究使用未经允许不得商业使用不得在医疗场景或具有潜在医疗意图场景进行临床实践。 立即开始你的中医AI探索CMLM-仲景为中医智能化提供了全新的可能性。无论你是中医研究者、教育工作者还是技术开发者都可以从这个开源项目中获得价值研究应用探索AI在中医辨证论治中的应用教学辅助作为中医教学的智能辅助工具技术验证验证领域专用大模型的技术路径创新实验基于开源代码进行二次开发和创新立即开始克隆项目仓库按照快速开始指南在几分钟内体验专业中医AI的魅力。加入开源社区共同推动中医与人工智能的深度融合让古老智慧在现代科技中焕发新生项目维护复旦大学医哲未来团队技术咨询21110860035m.fudan.edu.cn开源协议Academic Use License【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考