SmolVLA构建知识库问答系统基于本地文档的精准检索与回答最近和几个做企业服务的朋友聊天他们都在头疼同一个问题公司内部积累了大量产品手册、技术文档、项目报告新员工来了想查点东西要么找不到要么找到了也看不懂。用公开的大模型问吧它对公司内部那些特有的术语、流程、产品细节一问三不知回答得驴唇不对马嘴。这其实就是典型的“知识孤岛”问题。通用大模型再厉害也学不到你公司保险柜里的那些文档。今天我就想跟你聊聊怎么用SmolVLA这个工具再配合一套经典的“检索增强生成”思路来给你的企业文档库装上一个“智能大脑”。它能让员工像跟一个资深专家对话一样快速、准确地从海量文档里找到答案。简单来说这套系统的核心就两步先搜再答。当用户提出一个问题系统会先去你准备好的文档库里找到和问题最相关的几个片段然后把这些片段作为“参考资料”交给 SmolVLA让它基于这些确凿的上下文生成一个精准的答案。这样一来答案的准确性和专业性就有了保障。下面我就以一个假设的“星辰科技公司”的产品文档库为例带你一步步看看这个系统是怎么从零搭建并真正用起来的。1. 为什么需要专属的知识库问答在动手之前我们得先想明白为什么不能直接用 ChatGPT 或者文心一言来回答公司内部问题这里面的差别可大了。通用大模型就像是一个博学但缺乏专业深度的通才。它读过互联网上的海量公开数据能聊哲学、写诗歌、编代码但对于“星辰科技公司A型服务器的默认管理端口是多少”或者“我们去年Q3针对华南市场的营销策略核心是什么”这类问题它根本无从知晓。因为这些信息只存在于你们公司的内部服务器里从未公开过。直接问的后果就是“幻觉”——模型会一本正经地编造一个看似合理但完全错误的答案。这对于需要精确信息的业务场景比如客服、技术支持、内部培训是灾难性的。而“检索增强生成”模式完美地解决了这个问题。它的工作流程特别像一位严谨的学者听到问题用户提问。查阅资料系统不是凭记忆回答而是立刻去指定的“图书馆”即向量化的文档库里查找与问题最相关的几段原文。组织答案模型拿到这些“原文摘抄”后结合自己的语言能力整理、归纳、转述生成一个最终答案。这样做最大的好处是答案有据可依。每一个关键信息点理论上都能追溯到原始文档的某一段落极大提升了可信度。这对于企业来说意味着更低的培训成本、更快的知识获取速度以及更一致的对外信息输出。2. 搭建前的核心准备把文档变成模型能理解的语言要让机器理解文档并快速检索我们不能让它去“读”整篇PDF的原始文字。那样太慢了而且它也不懂。我们需要把文档转换成一种便于计算机快速查找和比对的形式——这就是向量。你可以把向量理解为一串长长的数字它是某一段文本的“数学指纹”。语义相近的文本它们的“指纹”也会很相似。比如“如何开机”和“启动设备的步骤”这两个句子尽管字面不同但它们的向量在数学空间里的距离会很近。我们的核心准备工作就是为每一份文档创建这样的“指纹库”。2.1 文档处理流水线这个过程通常是自动化的主要分四步第一步文档加载与解析我们需要把各种格式的文档.docx, .pdf, .pptx, .txt里的纯文本提取出来。这里可以用langchain社区里丰富的文档加载器。# 示例使用 LangChain 加载多种格式文档 from langchain.document_loaders import PyPDFLoader, Docx2txtLoader, UnstructuredFileLoader loaders { .pdf: PyPDFLoader, .docx: Docx2txtLoader, .txt: UnstructuredFileLoader } def load_documents(file_path): ext os.path.splitext(file_path)[1].lower() if ext in loaders: loader loaders[ext](file_path) documents loader.load() # 返回 Document 对象列表 return documents else: print(f暂不支持 {ext} 格式文件) return []第二步文本分割一篇几十页的文档不能作为一个整体去处理。我们需要把它切成一个个语义相对完整的小片段比如按段落、按章节或者按固定长度切分。这样检索时才能更精准地定位到相关内容。from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个片段大约500字符 chunk_overlap50, # 片段间重叠50字符避免割裂上下文 separators[\n\n, \n, 。, , , ] # 按这些符号优先分割 ) # 假设 docs 是上一步加载的 Document 列表 all_splits [] for doc in docs: splits text_splitter.split_documents([doc]) all_splits.extend(splits) print(f原始文档被切分为 {len(all_splits)} 个文本片段。)第三步向量化与嵌入这是最关键的一步。我们使用一个嵌入模型把上一步得到的每一个文本片段转换成那个高维的“数字指纹”向量。这里我们选用一个轻量且效果不错的开源模型。from sentence_transformers import SentenceTransformer # 加载一个轻量级的中文嵌入模型 embed_model SentenceTransformer(paraphrase-multilingual-MiniLM-L12-v2) # 为所有文本片段生成向量 texts [split.page_content for split in all_splits] embeddings embed_model.encode(texts, show_progress_barTrue) print(f已生成 {len(embeddings)} 个向量每个向量维度为 {embeddings[0].shape}。)第四步向量存储生成的海量向量需要被高效地存储和检索。我们会用一个向量数据库比如Chroma或FAISS来存放它们同时把对应的原始文本片段也存起来方便后续检索时找回原文。import chromadb from chromadb.config import Settings # 初始化一个持久化的向量数据库客户端 client chromadb.PersistentClient(path./my_knowledge_base) # 创建或获取一个集合类似数据库的表 collection client.get_or_create_collection(namecompany_docs) # 准备存入的数据ID、向量、原文、元数据如来源文件名 ids [fdoc_{i} for i in range(len(all_splits))] metadatas [{source: split.metadata.get(source, unknown)} for split in all_splits] # 将向量和元数据存入数据库 collection.add( embeddingsembeddings.tolist(), # 向量 documentstexts, # 原始文本 metadatasmetadatas, # 元数据 idsids # ID ) print(知识库向量存储完毕)走完这四步你的文档库就从一堆杂乱的文件变成了一个结构清晰、可被机器高速查询的“智能资料库”。接下来就是让 SmolVLA 在这个资料库的基础上工作了。3. 构建问答系统检索与生成的协同有了准备好的向量知识库整个问答流程就变得清晰了。每当一个新的问题到来系统就会像下面这样工作第一步理解问题检索相关片段用户输入问题后系统首先用同样的嵌入模型把问题也转换成向量。然后将这个“问题向量”丢进向量数据库里进行相似度搜索找出前k个比如3-5个最相关的文本片段。def retrieve_relevant_docs(query, collection, embed_model, top_k4): # 1. 将用户问题转换为向量 query_embedding embed_model.encode([query]) # 2. 在向量数据库中搜索相似内容 results collection.query( query_embeddingsquery_embedding.tolist(), n_resultstop_k ) # 3. 返回检索到的文档片段 retrieved_docs results[documents][0] return retrieved_docs # 示例用户提问 user_question A型服务器的保修期是多久 relevant_texts retrieve_relevant_docs(user_question, collection, embed_model) print(f检索到 {len(relevant_texts)} 个相关片段。) for i, text in enumerate(relevant_texts): print(f\n--- 片段 {i1} ---\n{text[:200]}...) # 打印前200字符预览第二步组织提示交给SmolVLA生成答案检索到的文本片段是零散的“原材料”。我们需要把它们和用户问题一起精心组装成一个清晰的“任务指令”即提示词再交给 SmolVLA 来烹饪出最终答案。这里提示词的设计至关重要它直接决定了模型回答的质量和风格。def build_prompt(question, contexts): # 将检索到的上下文拼接起来 context_str \n\n.join([f[资料片段 {i1}]: {ctx} for i, ctx in enumerate(contexts)]) # 构建一个清晰的指令式提示词 prompt f请你作为一名专业的客服助手严格根据以下提供的公司内部资料来回答问题。如果资料中没有明确信息请直接回答“根据现有资料无法确定该信息”。 相关参考资料 {context_str} 用户问题{question} 请基于上述资料给出准确、简洁的回答 return prompt # 构建本次提问的完整提示 final_prompt build_prompt(user_question, relevant_texts) print(构造的提示词预览\n, final_prompt[:500], ...)第三步调用SmolVLA生成最终回复最后我们将组装好的提示词发送给部署好的 SmolVLA 模型让它来生成最终答案。# 假设我们已经有了一个 SmolVLA 的调用客户端 # 这里用伪代码表示调用过程 def generate_answer_with_smolvla(prompt): # 实际调用中这里是向 SmolVLA 的 API 端点发送 HTTP 请求 # 或者使用对应的 SDK # 以下为模拟返回 answer 根据提供的资料A型服务器的标准保修期为自购买之日起36个月。 return answer final_answer generate_answer_with_smolvla(final_prompt) print(\n 系统最终答案 \n) print(final_answer)通过这三步一个完整的、基于检索的问答流程就完成了。答案牢牢地锚定在你提供的文档上既专业又可靠。4. 让系统更智能效果提升的实用技巧搭好基础框架只是第一步。要让这个系统真正好用成为员工的得力助手还需要一些“调优”。这里分享几个我们实践中觉得特别有用的技巧。技巧一优化检索让“搜”得更准检索是源头源头不准后面全错。混合搜索不要只依赖向量相似度。可以结合传统的关键词搜索如 BM25。比如用户问“2023年财报”向量搜索可能找到一堆讲“财务报告”的片段而关键词搜索能精准锁定含有“2023”和“财报”字样的段落。将两者的结果融合效果往往更好。重排序初步检索出10个片段后可以用一个更精细但慢一点的模型称为重排序器对这10个片段再做一次相关性打分只保留最相关的3-4个给大模型。这能有效过滤掉一些似是而非的结果。元数据过滤如果你的文档元数据丰富比如有“部门研发”、“文档类型API手册”、“年份2024”可以在检索时增加过滤条件。例如当法务部同事提问时可以限定只检索“部门法务”的文档避免返回不相干的技术资料。技巧二优化提示词让“答”得更好提示词是引导模型的关键。明确指令在提示词里清晰规定角色“你是一名技术支持专家”、任务“请根据资料回答”、和格式“请先判断是否相关再分点列出答案”。提供范例对于复杂问题可以在提示词里给一两个“示例对话”Few-shot Learning演示一下你希望模型如何思考和组织答案。要求注明出处让模型在答案的关键处标注是引用了哪个资料片段。这不仅能增加可信度也方便用户回溯核查。例如在提示词末尾加上“请在答案中对你引用的关键信息用【资料X】的形式标明出处。”技巧三设计对话让体验更连贯真实的问答往往不是一轮结束。处理历史对话当用户追问“上面说的保修包含哪些服务”时系统需要记住之前的对话上下文。可以在每次调用模型时把之前几轮的问答历史也作为输入的一部分。主动澄清如果检索到的资料非常模糊或自相矛盾可以教模型学会“提问”。比如让它回复“关于此问题资料中有两种说法。一种说保修期是3年另一种说是5年。请问您购买的具体是哪一批次的产品”把这些技巧用上你的问答系统就会从一个机械的“文档查找器”进化成一个更聪明、更贴心的“知识伙伴”。5. 总结回过头看用 SmolVLA 构建企业知识库问答系统其实是一个“化整为零再化零为整”的过程。先把厚重的文档拆解、消化成机器能懂的向量片段存起来当问题来时快速找到相关的片段再交给大模型整合成通顺的答案。这套方案最大的价值在于它把大模型的通用语言能力和你企业的私有知识牢牢结合在了一起。它不需要你耗费巨资去从头训练一个专属大模型而是用相对轻量的方式让现有模型瞬间“精通”你的业务。实际部署时你可以从一个小而精的文档集开始比如先搞定最新的《产品FAQ》和《员工手册》。让部分团队试用收集反馈看看检索得准不准答案有没有用。然后再逐步扩大文档范围优化提示词和检索策略。技术本身不难难的是对业务场景的理解和对知识的管理。当你看到新员工能通过几句简单的提问就快速搞清楚了复杂的项目历史当客服人员能瞬间调出准确的条款回复客户时你就会觉得前期这些投入都是值得的。知识终于不再是沉睡在服务器里的文件而是变成了随时可以对话的智慧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
SmolVLA构建知识库问答系统：基于本地文档的精准检索与回答
发布时间：2026/5/19 13:20:10
SmolVLA构建知识库问答系统基于本地文档的精准检索与回答最近和几个做企业服务的朋友聊天他们都在头疼同一个问题公司内部积累了大量产品手册、技术文档、项目报告新员工来了想查点东西要么找不到要么找到了也看不懂。用公开的大模型问吧它对公司内部那些特有的术语、流程、产品细节一问三不知回答得驴唇不对马嘴。这其实就是典型的“知识孤岛”问题。通用大模型再厉害也学不到你公司保险柜里的那些文档。今天我就想跟你聊聊怎么用SmolVLA这个工具再配合一套经典的“检索增强生成”思路来给你的企业文档库装上一个“智能大脑”。它能让员工像跟一个资深专家对话一样快速、准确地从海量文档里找到答案。简单来说这套系统的核心就两步先搜再答。当用户提出一个问题系统会先去你准备好的文档库里找到和问题最相关的几个片段然后把这些片段作为“参考资料”交给 SmolVLA让它基于这些确凿的上下文生成一个精准的答案。这样一来答案的准确性和专业性就有了保障。下面我就以一个假设的“星辰科技公司”的产品文档库为例带你一步步看看这个系统是怎么从零搭建并真正用起来的。1. 为什么需要专属的知识库问答在动手之前我们得先想明白为什么不能直接用 ChatGPT 或者文心一言来回答公司内部问题这里面的差别可大了。通用大模型就像是一个博学但缺乏专业深度的通才。它读过互联网上的海量公开数据能聊哲学、写诗歌、编代码但对于“星辰科技公司A型服务器的默认管理端口是多少”或者“我们去年Q3针对华南市场的营销策略核心是什么”这类问题它根本无从知晓。因为这些信息只存在于你们公司的内部服务器里从未公开过。直接问的后果就是“幻觉”——模型会一本正经地编造一个看似合理但完全错误的答案。这对于需要精确信息的业务场景比如客服、技术支持、内部培训是灾难性的。而“检索增强生成”模式完美地解决了这个问题。它的工作流程特别像一位严谨的学者听到问题用户提问。查阅资料系统不是凭记忆回答而是立刻去指定的“图书馆”即向量化的文档库里查找与问题最相关的几段原文。组织答案模型拿到这些“原文摘抄”后结合自己的语言能力整理、归纳、转述生成一个最终答案。这样做最大的好处是答案有据可依。每一个关键信息点理论上都能追溯到原始文档的某一段落极大提升了可信度。这对于企业来说意味着更低的培训成本、更快的知识获取速度以及更一致的对外信息输出。2. 搭建前的核心准备把文档变成模型能理解的语言要让机器理解文档并快速检索我们不能让它去“读”整篇PDF的原始文字。那样太慢了而且它也不懂。我们需要把文档转换成一种便于计算机快速查找和比对的形式——这就是向量。你可以把向量理解为一串长长的数字它是某一段文本的“数学指纹”。语义相近的文本它们的“指纹”也会很相似。比如“如何开机”和“启动设备的步骤”这两个句子尽管字面不同但它们的向量在数学空间里的距离会很近。我们的核心准备工作就是为每一份文档创建这样的“指纹库”。2.1 文档处理流水线这个过程通常是自动化的主要分四步第一步文档加载与解析我们需要把各种格式的文档.docx, .pdf, .pptx, .txt里的纯文本提取出来。这里可以用langchain社区里丰富的文档加载器。# 示例使用 LangChain 加载多种格式文档 from langchain.document_loaders import PyPDFLoader, Docx2txtLoader, UnstructuredFileLoader loaders { .pdf: PyPDFLoader, .docx: Docx2txtLoader, .txt: UnstructuredFileLoader } def load_documents(file_path): ext os.path.splitext(file_path)[1].lower() if ext in loaders: loader loaders[ext](file_path) documents loader.load() # 返回 Document 对象列表 return documents else: print(f暂不支持 {ext} 格式文件) return []第二步文本分割一篇几十页的文档不能作为一个整体去处理。我们需要把它切成一个个语义相对完整的小片段比如按段落、按章节或者按固定长度切分。这样检索时才能更精准地定位到相关内容。from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个片段大约500字符 chunk_overlap50, # 片段间重叠50字符避免割裂上下文 separators[\n\n, \n, 。, , , ] # 按这些符号优先分割 ) # 假设 docs 是上一步加载的 Document 列表 all_splits [] for doc in docs: splits text_splitter.split_documents([doc]) all_splits.extend(splits) print(f原始文档被切分为 {len(all_splits)} 个文本片段。)第三步向量化与嵌入这是最关键的一步。我们使用一个嵌入模型把上一步得到的每一个文本片段转换成那个高维的“数字指纹”向量。这里我们选用一个轻量且效果不错的开源模型。from sentence_transformers import SentenceTransformer # 加载一个轻量级的中文嵌入模型 embed_model SentenceTransformer(paraphrase-multilingual-MiniLM-L12-v2) # 为所有文本片段生成向量 texts [split.page_content for split in all_splits] embeddings embed_model.encode(texts, show_progress_barTrue) print(f已生成 {len(embeddings)} 个向量每个向量维度为 {embeddings[0].shape}。)第四步向量存储生成的海量向量需要被高效地存储和检索。我们会用一个向量数据库比如Chroma或FAISS来存放它们同时把对应的原始文本片段也存起来方便后续检索时找回原文。import chromadb from chromadb.config import Settings # 初始化一个持久化的向量数据库客户端 client chromadb.PersistentClient(path./my_knowledge_base) # 创建或获取一个集合类似数据库的表 collection client.get_or_create_collection(namecompany_docs) # 准备存入的数据ID、向量、原文、元数据如来源文件名 ids [fdoc_{i} for i in range(len(all_splits))] metadatas [{source: split.metadata.get(source, unknown)} for split in all_splits] # 将向量和元数据存入数据库 collection.add( embeddingsembeddings.tolist(), # 向量 documentstexts, # 原始文本 metadatasmetadatas, # 元数据 idsids # ID ) print(知识库向量存储完毕)走完这四步你的文档库就从一堆杂乱的文件变成了一个结构清晰、可被机器高速查询的“智能资料库”。接下来就是让 SmolVLA 在这个资料库的基础上工作了。3. 构建问答系统检索与生成的协同有了准备好的向量知识库整个问答流程就变得清晰了。每当一个新的问题到来系统就会像下面这样工作第一步理解问题检索相关片段用户输入问题后系统首先用同样的嵌入模型把问题也转换成向量。然后将这个“问题向量”丢进向量数据库里进行相似度搜索找出前k个比如3-5个最相关的文本片段。def retrieve_relevant_docs(query, collection, embed_model, top_k4): # 1. 将用户问题转换为向量 query_embedding embed_model.encode([query]) # 2. 在向量数据库中搜索相似内容 results collection.query( query_embeddingsquery_embedding.tolist(), n_resultstop_k ) # 3. 返回检索到的文档片段 retrieved_docs results[documents][0] return retrieved_docs # 示例用户提问 user_question A型服务器的保修期是多久 relevant_texts retrieve_relevant_docs(user_question, collection, embed_model) print(f检索到 {len(relevant_texts)} 个相关片段。) for i, text in enumerate(relevant_texts): print(f\n--- 片段 {i1} ---\n{text[:200]}...) # 打印前200字符预览第二步组织提示交给SmolVLA生成答案检索到的文本片段是零散的“原材料”。我们需要把它们和用户问题一起精心组装成一个清晰的“任务指令”即提示词再交给 SmolVLA 来烹饪出最终答案。这里提示词的设计至关重要它直接决定了模型回答的质量和风格。def build_prompt(question, contexts): # 将检索到的上下文拼接起来 context_str \n\n.join([f[资料片段 {i1}]: {ctx} for i, ctx in enumerate(contexts)]) # 构建一个清晰的指令式提示词 prompt f请你作为一名专业的客服助手严格根据以下提供的公司内部资料来回答问题。如果资料中没有明确信息请直接回答“根据现有资料无法确定该信息”。 相关参考资料 {context_str} 用户问题{question} 请基于上述资料给出准确、简洁的回答 return prompt # 构建本次提问的完整提示 final_prompt build_prompt(user_question, relevant_texts) print(构造的提示词预览\n, final_prompt[:500], ...)第三步调用SmolVLA生成最终回复最后我们将组装好的提示词发送给部署好的 SmolVLA 模型让它来生成最终答案。# 假设我们已经有了一个 SmolVLA 的调用客户端 # 这里用伪代码表示调用过程 def generate_answer_with_smolvla(prompt): # 实际调用中这里是向 SmolVLA 的 API 端点发送 HTTP 请求 # 或者使用对应的 SDK # 以下为模拟返回 answer 根据提供的资料A型服务器的标准保修期为自购买之日起36个月。 return answer final_answer generate_answer_with_smolvla(final_prompt) print(\n 系统最终答案 \n) print(final_answer)通过这三步一个完整的、基于检索的问答流程就完成了。答案牢牢地锚定在你提供的文档上既专业又可靠。4. 让系统更智能效果提升的实用技巧搭好基础框架只是第一步。要让这个系统真正好用成为员工的得力助手还需要一些“调优”。这里分享几个我们实践中觉得特别有用的技巧。技巧一优化检索让“搜”得更准检索是源头源头不准后面全错。混合搜索不要只依赖向量相似度。可以结合传统的关键词搜索如 BM25。比如用户问“2023年财报”向量搜索可能找到一堆讲“财务报告”的片段而关键词搜索能精准锁定含有“2023”和“财报”字样的段落。将两者的结果融合效果往往更好。重排序初步检索出10个片段后可以用一个更精细但慢一点的模型称为重排序器对这10个片段再做一次相关性打分只保留最相关的3-4个给大模型。这能有效过滤掉一些似是而非的结果。元数据过滤如果你的文档元数据丰富比如有“部门研发”、“文档类型API手册”、“年份2024”可以在检索时增加过滤条件。例如当法务部同事提问时可以限定只检索“部门法务”的文档避免返回不相干的技术资料。技巧二优化提示词让“答”得更好提示词是引导模型的关键。明确指令在提示词里清晰规定角色“你是一名技术支持专家”、任务“请根据资料回答”、和格式“请先判断是否相关再分点列出答案”。提供范例对于复杂问题可以在提示词里给一两个“示例对话”Few-shot Learning演示一下你希望模型如何思考和组织答案。要求注明出处让模型在答案的关键处标注是引用了哪个资料片段。这不仅能增加可信度也方便用户回溯核查。例如在提示词末尾加上“请在答案中对你引用的关键信息用【资料X】的形式标明出处。”技巧三设计对话让体验更连贯真实的问答往往不是一轮结束。处理历史对话当用户追问“上面说的保修包含哪些服务”时系统需要记住之前的对话上下文。可以在每次调用模型时把之前几轮的问答历史也作为输入的一部分。主动澄清如果检索到的资料非常模糊或自相矛盾可以教模型学会“提问”。比如让它回复“关于此问题资料中有两种说法。一种说保修期是3年另一种说是5年。请问您购买的具体是哪一批次的产品”把这些技巧用上你的问答系统就会从一个机械的“文档查找器”进化成一个更聪明、更贴心的“知识伙伴”。5. 总结回过头看用 SmolVLA 构建企业知识库问答系统其实是一个“化整为零再化零为整”的过程。先把厚重的文档拆解、消化成机器能懂的向量片段存起来当问题来时快速找到相关的片段再交给大模型整合成通顺的答案。这套方案最大的价值在于它把大模型的通用语言能力和你企业的私有知识牢牢结合在了一起。它不需要你耗费巨资去从头训练一个专属大模型而是用相对轻量的方式让现有模型瞬间“精通”你的业务。实际部署时你可以从一个小而精的文档集开始比如先搞定最新的《产品FAQ》和《员工手册》。让部分团队试用收集反馈看看检索得准不准答案有没有用。然后再逐步扩大文档范围优化提示词和检索策略。技术本身不难难的是对业务场景的理解和对知识的管理。当你看到新员工能通过几句简单的提问就快速搞清楚了复杂的项目历史当客服人员能瞬间调出准确的条款回复客户时你就会觉得前期这些投入都是值得的。知识终于不再是沉睡在服务器里的文件而是变成了随时可以对话的智慧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
