简介

石真GPT是首个专为中医药定制的多模态大模型，解决了数据稀缺和多模态诊断挑战。研究者构建了100GB文本和200GB多模态数据集，采用两阶段预训练策略。模型在TCM专业知识、视觉理解和多模态感知方面表现优异，数据集和代码已开源，为中医药AI应用奠定基础。

---

摘要

尽管大型语言模型（LLMs）在各个领域取得了成功，但由于两个关键障碍，它们在中医药（TCM）领域的潜力仍未被充分探索：

（1）高质量中医药数据的稀缺性；

（2）中医药诊断固有的多模态特性，包括观察、听诊、嗅闻和脉诊。这些感官丰富的模态超出了传统LLMs的范围。为了应对这些挑战，我们提出了石真GPT，这是首款专为中医药定制的多模态大型语言模型。为了克服数据稀缺问题，我们整理了迄今为止最大的中医药数据集，包括100GB以上的文本和200GB以上的多模态数据，涵盖120万张图片、200小时的音频和生理信号。

ShizhenGPT经过预训练和指令微调，以实现对中医药知识的深入理解和多模态推理。为了评估，我们收集了最新的国家中医药资格考试，并构建了药物识别和视觉诊断的视觉基准。实验表明，石真GPT在规模和性能上优于同类大型语言模型，并且能与更大的专有模型竞争。此外，它在现有的多模态大型语言模型中在中医视觉理解方面领先，并展示了跨模态如声音、脉象、气味和视觉的统一感知能力，为中医的整体多模态感知和诊断铺平了道路。数据集、模型和代码都是公开可用的。我们希望这项研究能激发该领域的进一步探索。

https://github.com/FreedomIntelligence/ShizhenGPT

核心速览

研究背景

1. 1.研究问题：这篇文章要解决的问题是如何利用大型多模态语言模型（LLM）来处理传统中医（TCM）中的复杂诊断问题。尽管大型语言模型在各个领域取得了显著的成功，但由于高质量TCM数据的稀缺性和TCM诊断的多模态特性，这些模型在TCM领域的潜力尚未得到充分探索。
2. 2.研究难点：该问题的研究难点包括：

• •高质量TCM数据的稀缺性。现有的TCM特定LLM训练数据通常小于1GB，远低于现代医学领域使用的数据量。
• •TCM诊断的多模态特性。TCM依赖于视觉、听觉、嗅觉和脉诊等多种感官信息，这些信息超出了传统文本模型的范畴。

3. 3.相关工作：该问题的研究相关工作包括：

• •现有的TCM特定LLM模型由于训练数据量小，仅限于文本场景，缺乏多模态感知能力。
• •通用LLM虽然在某些视觉或音频任务上表现出色，但不适用于TCM，且仅提供有限的支持。

研究方法

这篇论文提出了ShizhenGPT，第一个专门为TCM定制的多模态LLM。具体来说，

1. 数据收集与预处理：为了解决数据稀缺问题，研究者构建了一个迄今为止最大的TCM数据集，包括超过100GB的文本数据和超过200GB的多模态数据，涵盖1.2百万张图像、200多小时的音频和各种生理信号。

2. 模型架构：ShizhenGPT由三个主要组件组成：LLM骨干、视觉编码器和信号编码器。

   

• •LLM骨干：使用Qwen-2.5-7B和Qwen-2.5-32B作为基础LLM，处理来自多个模态的输入并生成响应。
• •视觉编码器：从Qwen-2.5-VL初始化，支持高分辨率图像，使用2D-RoPE和窗口注意力机制。
• •信号编码器：使用Whisper-large-v3作为初始信号编码器，非音频信号首先转换为波形表示，然后重采样为16kHz的128通道梅尔频谱图。

3. 预训练：采用两阶段预训练策略：

• •第一阶段：专注于文本学习，使用11.9B令牌进行预训练，包括6.3B的TCM语料库和5.6B的普通语料库。
• •第二阶段：使用3.8B的多模态数据进行预训练，包括TCM和普通图像-文本和音频-文本数据。

4. 指令微调：在预训练后，模型获得基础TCM知识和多模态能力。指令微调数据涵盖四个类别：TCM文本指令、视觉指令、音频指令和生理信号指令。最终通过全参数调优进行微调，生成最终的ShizhenGPT模型。

实验设计

1. 1.数据收集：预训练数据集包括TCM文本语料库、TCM图像-文本数据和TCM音频-文本数据。具体来说，TCM文本语料库从3256本TCM书籍和在线来源收集，经过过滤和处理后得到21.2GB的高质量网络语料库。TCM图像-文本数据从TCM书籍和微信文章中提取，经过过滤和合成后得到140.7GB的网络图像-文本数据。TCM音频-文本数据从Huatuo-26M数据集中提取，并通过高保真TTS系统合成音频，得到58K的对齐音频-文本对。
2. 2.实验设置：训练了两个版本的ShizhenGPT：ShizhenGPT-7B和ShizhenGPT-32B，分别基于Qwen2.5-7B和Qwen2.5-32B骨干。实验在两个DGX节点上进行，每个节点有8个A100 GPU。
3. 3.基准测试：比较了ShizhenGPT与多种基线模型，包括通用LLM和多模态LLM。视觉基准测试使用了七个权威图谱，涵盖中药识别和视觉诊断等子领域。人类评估邀请了6位有执照的TCM实践者对模型响应进行评估。

结果与分析

1. 1.TCM专业知识评估：在最新的国家TCM职业资格考试中，ShizhenGPT-7B在小规模类别中平均得分最高，超过了其他TCM特定模型和较大的通用LLM。ShizhenGPT-32B在中规模类别中表现最强，平均得分为78.1，超过了多个70B+模型。

2. 2.视觉能力评估：在TCM视觉基准测试中，ShizhenGPT-32B在所有基线模型中得分最高，达到了63.6，展示了其在TCM视觉理解方面的强大能力。

3. 3.一般语音能力评估：在标准语音基准测试中，ShizhenGPT展示了强大的语音理解能力，与Qwen2-Audio-Instruction的表现相当。

4. 4.信号模态评估：在嗅觉、心音和脉搏等信号模态上，ShizhenGPT均优于随机基线，展示了其统一的多模态感知能力。例如，在脉搏信号的妊娠检测中，准确率达到了80%。

5. 5.消融研究：预训练数据规模的增加显著提高了模型在TCM专业知识和视觉理解方面的能力。多模态数据的集成在某些任务中带来了适度的增益，同时保留了单模态的强性能。

   

总体结论

这篇论文介绍了ShizhenGPT，第一个专门为TCM定制的多模态LLM，并展示了其在TCM专业知识、视觉理解和多模态感知方面的强大能力。通过大规模数据集和两阶段预训练策略，ShizhenGPT成功地克服了TCM数据稀缺和多模态特性的挑战。该研究为TCM领域的进一步探索提供了重要的数据和见解，推动了AI在TCM中的应用。

论文评价

优点与创新

1. 1.数据集规模：论文发布了迄今为止最大的中医药（TCM）数据集，包含超过100GB的文本数据和超过200GB的多模态数据，显著缓解了数据稀缺的问题。
2. 2.多模态模型：提出了ShizhenGPT，第一个专为中医药定制的多模态大型语言模型（LLM），能够理解图像、声音、气味和脉搏等多种模态。
3. 3.领域专业知识：通过领域特定的预训练和指令微调，ShizhenGPT获得了深厚的中医药知识和多模态推理能力。
4. 4.视觉诊断任务：在中医药视觉任务中，ShizhenGPT领先于现有的多模态LLMs，并在七个生理信号数据集上展示了有效的多模态感知能力。
5. 5.公开数据集和代码：数据集、模型和代码均公开发布，鼓励进一步的研究和探索。
6. 6.全面评估基准：构建了一个全面的中医药多模态基准套件，涵盖文本、视觉、信号和人类评估，系统性地评估LLMs在中医药中的应用。

不足与反思

1. 1.信号数据不足：尽管文本和图像数据规模庞大，但高质量的信号数据（如气味、脉搏）仍然稀缺，主要来自有限的公共数据集，限制了模型在这些模态中的完全发展和泛化能力。
2. 2.缺乏实际临床测试：尽管进行了专家评估，ShizhenGPT尚未在实际临床环境中进行测试，缺乏患者级别的反馈，限制了对其实际有效性和安全性的理解。
3. 3.模态覆盖不完整：当前的模态包括视觉、声音和部分生理信号，但其他模态如触觉仍然缺失。

关键问题及回答

问题1：ShizhenGPT的模型架构是如何设计的？各组件的具体功能是什么？

ShizhenGPT由三个主要组件组成：LLM骨干、视觉编码器和信号编码器。

• •LLM骨干：使用Qwen-2.5-7B和Qwen-2.5-32B作为基础LLM，处理来自多个模态的输入并生成响应。LLM骨干是模型的核心推理引擎，负责理解和生成文本。
• •视觉编码器：从Qwen-2.5-VL初始化，支持高分辨率图像，使用2D-RoPE和窗口注意力机制。视觉编码器负责处理图像输入，将图像转换为模型可以理解的向量表示。
• •信号编码器：使用Whisper-large-v3作为初始信号编码器，非音频信号首先转换为波形表示，然后重采样为16kHz的128通道梅尔频谱图。信号编码器负责处理音频和生理信号，将这些信号转换为模型可以处理的格式。

问题2：ShizhenGPT在预训练阶段采用了哪些策略？这些策略如何帮助模型学习TCM知识？

ShizhenGPT在预训练阶段采用了两阶段预训练策略：

• •第一阶段：文本预训练：专注于文本学习，使用11.9B令牌进行预训练，包括6.3B的TCM语料库和5.6B的普通语料库。这一阶段的目的是建立模型的基础语言能力，并注入初步的TCM知识。
• •第二阶段：多模态预训练：使用3.8B的多模态数据进行预训练，包括TCM和普通图像-文本和音频-文本数据。这一阶段的目的是引入视觉和音频知识，使模型能够理解和处理多模态数据。

这些策略帮助模型通过大规模数据集的学习，逐步积累和深化对TCM知识的理解，从而在后续的指令微调阶段能够更好地应用于具体的TCM任务。

问题3：ShizhenGPT在实验中表现如何？与其他模型相比有哪些优势？

1. 1.TCM专业知识评估：在最新的国家TCM职业资格考试中，ShizhenGPT-7B在小规模类别中平均得分最高，超过了其他TCM特定模型和较大的通用LLM。ShizhenGPT-32B在中规模类别中表现最强，平均得分为78.1，超过了多个70B+模型。
2. 2.视觉能力评估：在TCM视觉基准测试中，ShizhenGPT-32B在所有基线模型中得分最高，达到了63.6，展示了其在TCM视觉理解方面的强大能力。
3. 3.一般语音能力评估：在标准语音基准测试中，ShizhenGPT展示了强大的语音理解能力，与Qwen2-Audio-Instruction的表现相当。
4. 4.信号模态评估：在嗅觉、心音和脉搏等信号模态上，ShizhenGPT均优于随机基线，展示了其统一的多模态感知能力。例如，在脉搏信号的妊娠检测中，准确率达到了80%。

总体而言，ShizhenGPT在TCM专业知识、视觉理解和多模态感知方面表现出色，展示了其在处理复杂TCM诊断问题上的潜力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】