ymcui/Chinese-LLaMA-Alpaca 是什么？

Chinese-LLaMA-Alpaca 通过扩充中文词表和 LoRA 二次预训练，让原版 LLaMA 具备中文能力，并提供了完整的合并、量化、部署脚本。但项目已明确将重心转向 Llama-2 和 Llama-3 的后续项目，新用户需要先看清这个版本边界。

ymcui/Chinese-LLaMA-Alpaca 可以商用吗？

可以。Apache-2.0 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。

ymcui/Chinese-LLaMA-Alpaca 还在维护吗？

在维护。仓库最近一次提交在 150 天前。

ymcui/Chinese-LLaMA-Alpaca 是用什么编程语言写的？

主要是 Python（依据 GitHub 的语言统计）。

Chinese-LLaMA-Alpaca 评测：LoRA 扩充中文词表的原理、部署方法与适用边界

秒懂

它是什么？: Chinese-LLaMA-Alpaca 通过扩充中文词表和 LoRA 二次预训练，让原版 LLaMA 具备中文能力，并提供了完整的合并、量化、部署脚本。但项目已明确将重心转向 Llama-2 和 Llama-3 的后续项目，新用户需要先看清这个版本边界。
适合谁用？: 适合以下人群使用：需要基于 LLaMA 1 做中文续写或指令理解、且愿意手工完成 LoRA 合并的研究者，以及想在老式 CPU 笔记本上体验量化中文模型的爱好者。不适合以下人群：追求最新模型效果、需要开箱即用完整权重、或希望长期获得维护更新的生产环境用户。
能商用吗？: 可以。Apache-2.0 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
还在维护吗？: 在维护。仓库最近一次提交在 150 天前。
用什么语言写的？: 主要是 Python（依据 GitHub 的语言统计）。

以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。

开源项目深度解析

Hysen Labs 编辑部 · 2026年9月10日 · ymcui/Chinese-LLaMA-Alpaca

它解决的问题：原版 LLaMA 的中文分词效率太低

原版 LLaMA 的词表以英文和拉丁语系为主，直接处理中文时会把常用汉字切分成多个 token，导致序列变长、推理变慢，语义理解也受限。Chinese-LLaMA-Alpaca 的做法是扩充中文词表，把词表大小提升到 49953，然后用中文语料做二次预训练。它只发布 LoRA 权重，不提供完整模型，用户必须自己准备原版 LLaMA 并合并。这个约束来自 Meta 的许可限制，README 里写得很清楚：原版 LLaMA 禁止商用，官方没有正式开源权重。

核心机制：词表扩充与 LoRA 合并的完整链路

项目的技术报告标题是 Efficient and Effective Text Encoding for Chinese LLaMA and Alpaca，核心思路是保留原版 LLaMA 的结构，只扩展 embedding 层以容纳新增的中文 token。训练分两步：先用中文通用语料做传统语言模型训练，得到中文 LLaMA；再用指令数据精调，得到中文 Alpaca。由于只训练 LoRA 低秩矩阵，计算开销远小于全量预训练。用户下载的是 LoRA 权重，需要执行合并脚本 scripts/merge_llama_with_chinese_lora.py。模型分 7B、13B、33B 三种规模，各有基础版、Plus 版和 Pro 版。Alpaca 需要输入模板，基座模型不需要。

部署路径：从合并到 CPU 量化的具体命令

部署流程在 README 中有明确步骤。第一步合并模型，运行 python scripts/merge_llama_with_chinese_lora.py，用 --base_model 指向原版 LLaMA，用 --lora_model 指向 LoRA 权重。第二步量化，项目推荐使用 llama.cpp 转换为 GGML 格式，支持 4-bit 量化，让无 GPU 的笔记本也能跑。llama.cpp 下中文 LLaMA 用 -p 参数续写，中文 Alpaca 用 -ins 参数进入指令模式。若走 transformers 路线，推理脚本是 scripts/inference/inference_hf.py，Alpaca 需要加 --with_prompt。网页演示用 gradio_demo.py，text-generation-webui 则用 --cpu 参数。这些命令都依赖具体文件路径，没有一键脚本。

效果验证：C-Eval 解码脚本与 Arena 竞技场

项目在 v4.1 版本添加了 C-Eval 解码脚本，v4.0 发布了 C-Eval 结果。C-Eval 是中文选择题评估集，覆盖多学科，脚本位于 scripts/evaluation 目录。README 没有给出具体分数，只提供了 Arena 竞技场，地址是 http://llm-arena.ymcui.com/，用户可在线对比模型输出。人工评测比单一分数更有参考价值，因为中文指令理解难以用自动指标完全衡量。但注意，这些结果基于 2023 年的 LLaMA 1 架构，其推理能力远不如后来的版本。

维护现状：主线已迁移到 Llama-2 和 Llama-3

仓库最后推送是 2026 年 4 月，但最新 release 停在 2023 年 7 月的 v5.0。新闻区从 2024 年 4 月 30 日起就指向 Chinese-LLaMA-Alpaca-3，明确推荐所有用户升级。本仓库事实上已冻结，代码和权重不再更新。v5.0 是最后的版本，发布了 Alpaca-Pro 系列。对想复现论文的研究者，冻结意味着版本稳定；对想跟进技术的开发者，应直接转向二期或三期项目。

局限性与错误使用场景

中文 LLaMA 基座模型不适合指令理解，只能做文本续写。中文 Alpaca 则不适合自由生成，因为它的训练目标是跟随指令。混淆这两类模型是常见错误。另一个局限是硬件需求，33B 模型即使量化后也需要大内存，README 没有列出具体数值，但 7B 的 4-bit 量化在 8GB 内存笔记本上勉强可跑，13B 需要 16GB 以上。LoRA 合并也容易出错，原版权重来源不明时输出质量无法保证。项目只支持 LLaMA 1 架构，不支持 GQA 机制，无法套用后续优化。

替代方案：二期和三期项目在架构上的差异

最直接的替代是 Chinese-LLaMA-Alpaca-2，基于 Llama-2，支持 7B 和 13B。二代模型使用 GQA 分组查询注意力，推理更快，且 Llama-2 许可允许商用。更进一步的替代是 Chinese-LLaMA-Alpaca-3，基于 Llama-3，开源了 8B 和 Instruct 版本。三代模型继承了词表扩充思路，但基础架构完全不同。区别在于：一代用 LoRA 补丁需手动合并，二代和三代直接提供完整权重或更成熟的流程。新用户应优先选择二代或三代。

编辑结论

适合以下人群使用：需要基于 LLaMA 1 做中文续写或指令理解、且愿意手工完成 LoRA 合并的研究者，以及想在老式 CPU 笔记本上体验量化中文模型的爱好者。不适合以下人群：追求最新模型效果、需要开箱即用完整权重、或希望长期获得维护更新的生产环境用户。在采用前，务必先确认三件事：第一，你能否合法获取原版 LLaMA 权重，因为本项目只发布 LoRA 补丁，没有原版模型就无法合并；第二，你的任务是否需要指令理解，若只需要文本续写，中文 LLaMA 基座模型即可，不必使用 Alpaca 版本；第三，检查 Chinese-LLaMA-Alpaca-2 和 Chinese-LLaMA-Alpaca-3 的模型列表，若你的硬件支持 13B 以上规模，二代或三代模型在效果和维护上更值得投入。这个项目的历史价值在于它展示了词表扩充加 LoRA 的可行路径，但它的代码和模型已经定格在 2023 年，新项目不应从这里起步。

官方来源

社区笔记