【LLM大模型】2024开源项目汇总

于 2024-07-30 17:14:40 发布
阅读量485 收藏 8
点赞数 10
文章标签： 开源 langchain python 大模型 机器学习 人工智能 RAG
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81888214/article/details/140801782
版权

当大模型成本逐渐降低，可靠性提升后，这意味着越来越多的业务应用将会与 LLM 结合，为了让这种结合更加顺畅，需要有与现有基础设施相兼容的工具和框架来支撑 LLM 应用开发的快速开发

通用大模型性能评测参见：

一、应用开发平台Maas

1.1 阿里：百炼大模型平台

  • 应用构建工具: 插件中心, 流程编排, Prompt工程, RAG, Agent
  • 模型开发工具: 训练数据管理, 模型调优, 模型评测, 模型部署

1.2 百度：千帆大模型平台

  • 数据管理： 数据集、 数据标注、 数据处理、 数据回流
  • 应用工具： 插件编排[对话类、生成类、编排类]、 RAG、 Prompt模板、 Prompt优化、 Prompt评估
  • 模型调优： 模型精调【精调样板，Post-PreTrain, SFT, DPO, RLHF】、模型评估、模型压缩
  • AppBuilder：组件编排

1.3 字节跳动：Coze

对比说明可参考： https://mp.weixin.qq.com/s/9v5TdLoGokZqAx-_B_IuZg

二、应用开发平台开源

2.1 Dify： 开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 、Agent、模型管理、可观测性功能等，让您可以快速从原型到生产。以下是其核心功能列表：

  • github：https://github.com/langgenius/dify
  • 应用工具： AI 工作流、Prompt IDE、RAG、Agent、后端即服务（Dify 的功能都带有相应的 API）
  • 模型工具：LLMOps、全面的模型支持

在这里插入图片描述

  • 原腾讯云 CODING DevOps 团队的核心成员倾力打造

2.2 FastGPT：一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力

2.3 bisheng(毕昇)：一款领先的开源大模型应用开发平台，赋能和加速大模型应用开发落地，帮助用户以最佳体验进入下一代应用开发模式。

------ 完整度的顺序 Dify > FastGPT > 毕昇

2.5 其它

  • QAnything ：【网易有道】是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用
  • AnythingLLM ：是一个高效、可定制、开源的企业级文档聊天机器人解决方案。
  • LangChain-Chatchat ：基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现，开源、可离线部署的检索增强生成(RAG)大模型知识库项目。
  • quivr： 构建了一个完全可控的知识库问答平台，支持docker部署，用法也比较简单，定义知识库，上传文档，问答时选定知识库即可****
  • FLowise：拖放式界面构建定制化LLM流程
  • GPTCache： 通过实现缓存来提高基于LLM的应用程序的效率和速度
  • OneAPI： 是一个 API 管理和分发系统，支持几乎所有主流 API 服务。OneAPI 通过简单的配置允许使用一个 API 密钥调用不同的服务，实现服务的高效管理和分发。

三、智能文档解析

3.1 RAGFlow： 是一款基于深度文档理解构建的开源 RAG 引擎。

  • github：https://github.com/infiniflow/ragflow
  • RAGFlow 的最大特色，就是多样化的文档智能处理，它没有采用现成的 RAG 中间件，而是完全重新研发了一套智能文档理解系统，确保数据 Garbage In Garbage Out 变为 Quality In Quality Out，并以此为依托构建 RAG 任务编排体系。
  • 对于用户上传的文档，它会自动识别文档的布局，包括标题、段落、换行等，还包含图片和表格等。
  • RAGFlow 的 DeepDoc 模块提供了对多种不同格式文档的深度解析。

3.2 Unstructured： 是一个灵活的Python 库，专门用于处理非结构化数据

3.3 PaddleOCR： 是由百度推出的 OCR 开源项目，旨在提供全面且高效的文字识别和信息提取功能

  • github：https://github.com/PaddlePaddle/PaddleOCR?tab=readme-ov-file
  • PaddleOCR 提供了版面分析、表格识别和文字识别等多种功能。PaddleOCR的应用场景广泛，包括金融、教育、法律等多个行业，其高效的处理速度和准确率使其成为业界领先的 OCR 解决方案之一

3.4 EasyOCR：使用很友好的OCR服务

四、BI与DB

****4.1 DB-GPT ： 是一个开源的数据库领域大模型框架。目的是构建大模型领域的基础设施，通过开发多模型管理、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作等多种技术能力，让围绕数据库构建大模型应用更简单，更方便。

  • github：https://github.com/eosphoros-ai/DB-GPT
  • RAG、GBI、微调框架、Multi-Agents框架、数据工厂、数据源
  • 由蚂蚁集团、阿里巴巴、京东、美团等公司的研究人员共同开发

4.2 Chat2DB: 阿里开源智能的通用数据库SQL客户端和报表工具

****4.3 DefogAI SQLCoder：SQLCoder 是 Defog 团队推出的一款前沿的大语言模型，专门用于将自然语言问题转化为 SQL 查询,这是一个拥有150亿参数的模型。

4.4 BIRD-SQL:由多位作者联合创作，一作是港大，二作是阿里达摩院

4.4 闭源项目参考：

  • TableAgent: 九章云极推出的数据分析，机器学习智能体
  • Kyligence Copilot：Kyligence发布一站式指标平台的 AI 数智助理,支持对话式指标搜索，异动归因等等
  • chat2query: PingCap产品，text2sql 相比以上两位支持更自然的文本指令，以及更复杂的数据分析类的sql生成
  • ChatBI：网易数帆发布ChatBI对话数据分析平台
  • DataHerald：Text2SQL一个由AI驱动的自然语言到SQL代理

4.5 其它

  • superduperdb (4K)：一个通用的AI开发和部署框架，直接与您现有的数据库相连而设计
  • Vanna (6K)：使用人工智能（AI）的工具，可以让您更轻松地与数据库进行交互。该工具可用于SQL Server和PostgreSQL数据库，它使用自然语言处理技术，使您能够使用英语命令来查询和更新数据库。

五、本地部署工具

5.1 ollama： Ollama 是一个开源框架，专门为在本地机器上便捷部署和运行大型语言模型（LLM）而设计

  • github：https://github.com/ollama/ollama
  • 功能齐全：Ollama将模型权重、配置和数据捆绑到一个包中，定义成Modelfile。它优化了设置和配置细节，包括GPU使用情况，从而提高了模型运行的效率
  • 轻量级：Ollama的代码简洁明了，运行时占用资源少。这使得它能够在本地高效地运行，不需要大量的计算资源。此外，它还支持热加载模型文件，无需重新启动即可切换不同的模型，这使得它非常灵活多变
  • 易用性：Ollama提供了多种安装方式，支持Mac和Linux平台，并提供了Docker镜像。用户只需按照安装指南进行操作即可完成安装，无需具备专业的技术背景

5.2 OpenLLM： OpenLLM 于 2023 年 6 月开源，是一个用于部署大语言模型的框架。其最初的口号是通过一行代码或相对轻松地在不同的大语言模型之间切换，为个人用户提供方便。

  • github：https://github.com/bentoml/OpenLLM

  • 简化部署：自动生成 LLM 服务器 Docker 镜像或通过 BentoCloud 部署为无服务器端节点

  • 自由构建：对 LangChain、BentoML 和 Hugging Face 具有一级支持，可以通过将 LLM 与其它模型和服务组合来轻松创建自己的 AI 应用程序

5.3 LM Studio: LM Studio提供了一个简单的可视化LLM安装程序，用户只需几个简单的步骤就可以轻松安装和运行

  • 下载地址：https://lmstudio.ai/
  • 对各种模型的广泛支持。它不仅支持所有公开发布的大型语言模型，而且不需要用户进行额外的编译或微调

5.4 Xinference: Xorbits Inference（Xinference）是一个性能强大且功能全面的分布式推理框架。通过 Xorbits Inference，你可以轻松地一键部署你自己的模型或内置的前沿开源模型。

  • github: https://github.com/xorbitsai/inference
  • 模型推理，轻而易举：大语言模型，语音识别模型，多模态模型的部署流程被大大简化。一个命令即可完成模型的部署工作。
  • 开放生态，无缝对接: 与流行的三方库无缝对接，包括 LangChain，LlamaIndex，Dify，以及 Chatbox。

六、推理服务框架

LLM推理有很多框架，各有其特点，下表中七个框架的关键点如下图

在这里插入图片描述

6.1 vLLM： 适用于大批量Prompt输入，并对推理速度要求高的场景

6.2 Text generation inference： 依赖HuggingFace模型，并且不需要为核心模型增加多个adapter的场景

6.3 CTranslate2：可在CPU上进行推理

6.4 OpenLLM： 为核心模型添加adapter并使用HuggingFace Agents，尤其是不完全依赖PyTorch；

6.5 Ray Serve： 稳定的Pipeline和灵活的部署，它最适合更成熟的项目

6.6 MLC LLM： 可在客户端（边缘计算）（例如，在Android或iPhone平台上）本地部署LLM

6.7 DeepSpeed-MII： 使用DeepSpeed库来部署LLM

6.8 llama.cpp： 是一个纯 C/C++ 实现的模型量化推理工具，具有极高的性能，可以同时在 GPU 和 CPU 环境下运行

七、大模型微调

7.1 LlamaFactory： 北航发布LlamaFactory，零代码大模型微调平台，一键快速实现大模型训练/微调/评估

八、大模型聚合平台

8.1 Hugging Face：Hugging Face 是一个开源的机器学习平台，该平台目前托管了超过320,000个模型和50,000个数据集，成为全球机器学习社区合作开发模型、数据集和应用程序的主要集合地。

  • 地址：https://huggingface.co/
  • 开源精神：Hugging Face秉承开源精神，与社区一起构建机器学习工具的基础

九、开发库与工具

  • LangChain: 对于 LLM 应用开发入门者来说，这是一个必选的工具****
  • LlamaIndex:这是一个数据框架，它可以轻松地将大型语言模型连接到你的自定义数据源，方便你进行数据的存储、查询和索引****
  • Promptflow:这是微软开源的一套开发工具，旨在简化基于 LLM 的应用的开发周期。它让提示工程变得更加容易，并帮助你构建具有生产质量的 LLM 应用
  • Langflow：这是一个无代码编排工具，许多平台都在使用它，可以帮助你轻松地将不同的模块拼接起来，让它们协同工作
  • ChatGPT-Next-Web：一键免费部署你的私人 ChatGPT 网页应用

十、向量数据库

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img
在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

学习计划：

  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 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】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

人工智能小豪
关注
  • 10
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【人工智能LLM】开源 LLM 大模型汇总以及微调策略
禅与计算机程序设计艺术
06-12 1万+
自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，为大家梳理一下当前开源模型的工作。
最全的开源 LLM （大语言模型）整理.zip
09-04
本资源包“最全的开源 LLM （大语言模型）整理.zip”是关于开源大语言模型的一个综合集合，涵盖了多个知名的项目，帮助开发者和研究人员更好地了解和利用这些先进的技术。 【描述】: 这个压缩包包含了一个名为...
大模型：2024开源项目汇总
最新发布
z099164的博客
07-26 471
当大模型成本逐渐降低，可靠性提升后，这意味着越来越多的业务应用将会与 LLM 结合，为了让这种结合更加顺畅，需要有与现有来支撑 LLM 应用开发的快速开发应用构建工具: 插件中心, 流程编排, Prompt工程, RAG, Agent模型开发工具: 训练数据管理, 模型调优, 模型评测, 模型部署对比说明可参考：**2.1 Dify：**开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 、Agent、模型管理、可观测性功能等，让您可以快速从原型到生产。
开源大语言模型(LLM)汇总（持续更新中）
热门推荐
略懂……略懂……
04-06 2万+
随着ChatGPT的火爆，越来越多人希望在本地运行一个大语言模型。为此我维护了这个开源大语言模型汇总，跟踪每天不发的大语言模型和精调语言模型。
ChatGPT中文LLM相关的开源大模型资源汇总
weixin_40280870的博客
07-17 1871
自ChatGPT为代表的大语言模型（Large Language Model, LLM）出现以后，由于其惊人的类通用人工智能（AGI）的能力，掀起了新一轮自然语言处理领域的研究和应用的浪潮。尤其是以ChatGLM、LLaMA等平民玩家都能跑起来的较小规模的LLM开源之后，业界涌现了非常多基于LLM的二次微调或应用的案例。本文旨在收集和梳理中文LLM相关的开源模型、应用、数据集及教程等资料分享给大家！
大概是最全的开源大模型LLM盘点了吧！
aolan123的博客
06-29 1159
LLM(Large Language Model, 大型语言模型)是指那些规模庞大、参数数量众多的深度神经网络模型，用于理解和生成自然语言文本。在自然语言处理（NLP）领域有着广泛的应用，因其强大的语言理解和生成能力，能够处理各种复杂的文本任务，包括但不限于翻译、问答、文本摘要、对话、文本分类、情感分析、代码生成、创作辅助等。LLM主要基于Transformer架构，该架构由Vaswani等人在2017年的论文《Attention is All You Need》中提出。
【AI实战】开源大语言模型LLMs汇总
Zack的博客
06-09 4867
开源大语言模型LLM汇总
大模型（LLM）的训练语料信息汇总
penriver的博客
03-03 7090
大模型的训练，大规模的语料是很重要的 大型语言模型在许多自然语言处理任务上取得了显著进展，研究人员正在转向越来越大的文本语料库进行训练 大多数基于Transformer的大型语言模型 (LLM) 都依赖于英文维基百科和Common Crawl、C4、Github的4个大型数据集。这几个数据集是最常用的，基本上大部分大模型训练过程都会使用到，其中CommonCrawl的数据集比较大，而wiki Pedia的数据集比较规整相对来说比较少
【大模型】基于 LlaMA2 的高 star 的 GitHub 开源项目汇总
Zack的博客
08-24 4294
基于 LlaMA2 的高 star 的 GitHub 开源项目汇总
【大模型】开源大模型汇总以及微调策略
桐原因的博客
06-10 7288
自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，回顾一下。注：汇总开源模型。
LLM大模型测试训练语料数据
03-15
在预训练阶段，LLM 从大量未标记的文本数据中学习广泛的知识，然后将其存储在其模型参数中。它使 LLM 具有一定程度的语言理解和生成能力。预训练语料库可以包含各种类型的文本数据，如网页、学术资料、书籍，同时也...
开源大语言模型(LLM)汇总
08-28
开源大语言模型(LLM)汇总
大模型应用开发-基于Streamlit实现的LLM大模型Web应用-附项目源码+流程教程-优质项目实战.zip
07-22
大模型应用开发_基于Streamlit实现的LLM大模型Web应用_附项目源码+流程教程_优质项目实战
开源模型也能强过闭源？Llama 3.1-405B数值对标GPT4！
holdcloud的博客
07-24 923
就这几天，只要你有在关注AI相关的事，你就会看见一群人在讨论Meta新出的Llama3.1。外网无数的业内大佬都在为之疯狂，因为Llama3.1-405B成为了目前开源模型中性能最强的模型，甚至直逼闭源大模型。
开源消息队列比较
AngelCryToo的专栏
07-24 996
Apache Kafka、RabbitMQ、Apache ActiveMQ、Redis (with Redis Streams) 、NATS、Apache Pulsar、ZeroMQ、Apache RocketMQ、NSQ、Kafka Streams等消息队列漫谈
Codes 重新定义 SaaS 模式的研发项目管理平台开源版 4.5.6 发布
MYPM_AndyLiu的专栏
07-24 1183
Codes 是一个 高效、简洁、轻量的一站式研发项目管理平台。包含需求管理，任务管理，测试管理，缺陷管理，自动化测试，cicd 等功能；Codes 帮助企业加速融合研发、测试、运维一体化进程。
【常见开源库的二次开发】基于openssl的加密与解密——SHA算法源码解析（六）
妄北y
07-24 1057
安全散列算法是一种加密散列函数，生成固定长度的散列值（或摘要），用于确保数据完整性和验证数据的真实性。
大模型从入门到应用——LangChain：记忆（Memory）-[记忆的存储与应用]
冯·诺依曼
08-15 5753
Zep 是一个存储、摘要、嵌入、索引和丰富对话式人工智能聊天历史记录的工具，并通过简单、低延迟的API进行访问。[3] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架：http://www.cnlangchain.com/[2] LangChain 🦜️🔗 中文网，跟着LangChain一起学LLM/GPT开发：https://www.langchain.com.cn/[1] LangChain官方网站：https://www.langchain.com/
PaddlePaddle
07-27
PaddlePaddle是一个开源的深度学习平台，可以用于构建和训练深度学习模型。如果你想使用PaddlePaddle，可以通过源码编译的方式来安装。首先，你需要在Git Bash中执行以下两条命令来将PaddlePaddle的源码克隆到本地，并进入Paddle目录： ``` git clone https://github.com/PaddlePaddle/Paddle.git cd Paddle ``` 接下来，你可以根据自己的需求进行编译。如果你使用的是Windows系统，可以使用源码编译来安装符合你需求的PaddlePaddle版本。具体的编译步骤可以参考官方文档中的Windows下源码编译部分\[2\]。 如果你想在docker镜像中编译PaddlePaddle，可以使用以下命令启动docker镜像并进行编译。如果你需要编译CPU版本，可以使用以下命令： ``` sudo docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash ``` 如果你需要编译GPU版本，可以使用以下命令： ``` sudo nvidia-docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash ``` 以上是关于使用源码编译PaddlePaddle的一些基本步骤和命令。你可以根据自己的需求和操作系统选择适合的方式来安装PaddlePaddle。 #### 引用[.reference_title] - *1* *2* *3* [《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装](https://blog.csdn.net/qq_33200967/article/details/83052060)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值