MLM之Llama-3：Llama 3.2的简介、安装和使用方法、案例应用之详细攻略

已于 2025-01-25 15:53:03 修改
阅读量2k 收藏 25
点赞数 26
分类专栏： NLP/LLMs CV/MLM 文章标签： Llama 3.2 多模态 LLMs
于 2024-10-10 23:09:18 首次发布
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/qq_41185868/article/details/142834391
版权

MLM之Llama-3：Llama 3.2的简介、安装和使用方法、案例应用之详细攻略

目录

相关文章

LLMs之LLaMA：LLaMA的简介、安装和使用方法、案例应用之详细攻略

LLMs之LLaMA-2：LLaMA 2的简介(技术细节)、安装、使用方法(开源-免费用于研究和商业用途)之详细攻略

LLMs之Llama-3：Llama 3的简介、安装和使用方法、案例应用之详细攻略

LLMs之llama3-from-scratch：llama3-from-scratch(从头开始利用pytorch来实现并解读LLaMA-3模型的每层代码)的简介、核心思路梳理

LLMs之Llama-3.1：Llama 3.1的简介、安装和使用方法、案例应用之详细攻略

MLM之Llama-3：Llama 3.2的简介、安装和使用方法、案例应用之详细攻略

Llama 3.2 简介

1、Llama 3.2 的特点

2、模型评估

轻量级指令调优基准

视觉指令调整基准

Llama 3.2 的安装和使用方法

1、安装

(1)、下载模型

(2)、开发环境准备

(3)、使用模型进行推理和微调

(4)、部署

2、使用方法

第一步，采用Docker和VLLM部署并开启服务

T1、采用Docker部署本地LLM：直接使用Docker命令

T2、采用Docker Compose部署本地LLM

第二步，基于OpenAI Python SDK实现与本地LLM服务进行交互

第三步，交互测试：是否按照预期进行

3、在线测试

4、基于Ollama等框架实现推理

T1、基于Ollama实现本地部署并启用llama3.2:1b模型服务

Llama 3.2 的案例应用

1、移动设备上的本地智能应用

2、图像生成与分析

3、增强现实和虚拟现实

4、企业级应用

相关文章

LLMs之LLaMA：LLaMA的简介、安装和使用方法、案例应用之详细攻略

LLMs之LLaMA：LLaMA的简介、安装和使用方法、案例应用之详细攻略_chinese_calendar每年手动更新-CSDN博客

LLMs之LLaMA-2：LLaMA 2的简介(技术细节)、安装、使用方法(开源-免费用于研究和商业用途)之详细攻略

LLMs之LLaMA-2：LLaMA-2的简介(技术细节)、安装、使用方法(开源-免费用于研究和商业用途)之详细攻略_llama2-CSDN博客

LLMs之Llama-3：Llama 3的简介、安装和使用方法、案例应用之详细攻略

LLMs之Llama 3：Llama 3的简介、安装和使用方法、案例应用之详细攻略-CSDN博客

LLMs之llama3-from-scratch：llama3-from-scratch(从头开始利用pytorch来实现并解读LLaMA-3模型的每层代码)的简介、核心思路梳理

LLMs之llama3-from-scratch：llama3-from-scratch(从头开始利用pytorch来实现并解读LLaMA-3模型的每层代码)的简介、核心思路梳理-CSDN博客

LLMs之Llama-3.1：Llama 3.1的简介、安装和使用方法、案例应用之详细攻略

LLMs之Llama 3.1：Llama 3.1的简介、安装和使用方法、案例应用之详细攻略-CSDN博客

MLM之Llama-3：Llama 3.2的简介、安装和使用方法、案例应用之详细攻略

MLM之Llama-3：Llama 3.2的简介、安装和使用方法、案例应用之详细攻略_llama 3.2安装教程-CSDN博客

Llama 3.2 简介

2024年9月26日，Meta发布Llama 3.2，这是一款开源的大规模语言模型（LLM）集合，支持多种版本，覆盖从 1B、3B、11B 到 90B 参数规模。Llama 3.2 具有多模态能力，其中 1B 和 3B 版本仅支持文本处理，而 11B 和 90B 版本则能够处理文本和图像输入，并生成文本输出。通过 Llama 3.2，开发者可以在各种平台上进行模型的微调、蒸馏和部署，使其在多场景下得以应用。

Llama 3.2 是一个强大且灵活的开源 AI 模型家族，涵盖从小规模轻量模型到多模态巨型模型，适合广泛的场景和设备应用。通过其灵活的工具链和丰富的生态系统，开发者能够更快速地开发和部署高效的 AI 应用。

官网地址：https://www.llama.com/

1、Llama 3.2 的特点

>> 多版本支持：提供从 1B 到 90B 参数规模的模型。较小的模型（1B、3B）可以在移动设备和边缘设备上高效运行，而较大的多模态模型（11B、90B）则可以处理图像输入，并在视觉推理等场景中表现优异。

>> 多模态能力：11B 和 90B 版本支持图像和文本输入，能够在高分辨率图像上进行推理和转换，如图像生成或信息提取。

>> 轻量高效：1B 和 3B 模型设计轻量化，适合在手机等本地设备上运行，可用于诸如会议摘要、调用本地日历等应用场景。

>> 多样的开发环境支持：开发者可以使用 Python、Node、Kotlin 和 Swift 等编程语言，在任意环境中构建和部署 Llama 3.2。

>> 开源生态系统：Llama Stack 工具链提供流畅的开发体验，原生支持代理工具调用、安全防护、增强生成等功能，并与开源社区高度兼容。

>> 广泛的基准测试：Llama 3.2 在超过 150 个数据集上进行评估，涵盖多种语言和任务领域，并在人类评估中表现出优异的性能。

2、模型评估

轻量级指令调优基准

视觉指令调整基准

Llama 3.2 的安装和使用方法

1、安装

(1)、下载模型

>> 可从 Hugging Face 或官方提供的资源中下载 Llama 3.2 模型。
>> 根据需要选择合适的模型大小，如轻量级的 1B 和 3B 模型，或者支持多模态的 11B 和 90B 模型。

(2)、开发环境准备

>> 安装 Llama 相关的开发工具链，如 Llama Stack，它能提供优化的开发和部署体验。
>> 支持多种编程语言，如 Python、Node.js、Kotlin 和 Swift，开发者可以根据需求选择合适的语言进行开发。

(3)、使用模型进行推理和微调

>> 在设备上运行轻量化模型，可以进行文本摘要、信息检索等任务。
>> 在需要图像处理的场景中，使用 11B 和 90B 模型进行多模态推理，如图像生成和识别。

(4)、部署

>> Llama 3.2 支持本地部署、边缘部署和云部署，开发者可以选择合适的环境进行部署。
>> 配合 Llama Stack，开发者可以通过标准化 API 更快地进行模型部署和迭代。

2、使用方法

第一步，采用Docker和VLLM部署并开启服务

提供了两种部署方式，一种是直接使用Docker命令，另一种是使用Docker Compose。两种方式都需要映射端口、挂载缓存目录，并设置环境变量。

Docker

Docker Compose

简介

Docker是一种容器化技术，它允许开发者打包应用程序及其依赖环境到一个可移植的容器中，然后这个容器可以在任何支持Docker的环境中运行。在代码中，使用Docker的命令行工具来直接运行一个容器。

Docker Compose是一个用于定义和运行多容器Docker应用程序的工具。它使用YAML文件来配置应用程序的服务。在代码中，Docker Compose的使用是通过创建一个docker-compose.yml文件来定义服务，然后通过运行docker-compose up命令来启动所有定义的服务。

区别

>> 复杂性：Docker命令行工具通常用于运行单个容器，而Docker Compose用于运行多服务应用程序。

>> 配置方式：Docker命令行工具直接在命令中指定容器选项，而Docker Compose通过YAML文件来配置容器和服务。

>> 功能范围：Docker Compose提供了更多的功能，如服务依赖管理、服务启动顺序控制等。

关系

>> Docker Compose实际上是在Docker之上的一个抽象层，它依赖于Docker来运行容器。

>> Docker Compose通过读取docker-compose.yml文件中的配置来决定如何使用Docker运行容器。

>> 使用Docker Compose时，你仍然是在使用Docker容器，但是是通过更高级别的抽象来管理它们。

T1、采用Docker部署本地LLM：直接使用Docker命令
docker run --runtime nvidia --gpus all \ 
    -v ~/.cache/huggingface:/root/.cache/huggingface \ 
    -- env  "HUGGING_FACE_HUB_TOKEN=<secret>" \ 
    -p 8000:8000 \ 
    --ipc=host \ 
    vllm/vllm-openai:latest \ 
    --model AMead10/Llama-3.2-3B-Instruct-AWQ \ 
    --quantization awq \ 
--max-model-len 2048

T2、采用Docker Compose部署本地LLM
services:
  vllm:
    image: vllm/vllm-openai:latest
    command: ["--model", "AMead10/Llama-3.2-3B-Instruct-AWQ", "--max-model-len", "2048", "--quantization", "awq"]
    ports:
      - 8000:8000
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    environment:
      - "HUGGING_FACE_HUB_TOKEN=<secret>"
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

第二步，基于OpenAI Python SDK实现与本地LLM服务进行交互

需修改base_url、api_key和model变量

%pip install openai 

from openai import OpenAI 
client = OpenAI( 
    base_url= "http://localhost:8000/v1" , 
    api_key= "None" , 
) 

chat_completion = client.chat.completions.create( 
    messages=[ 
        { 
            "role" : "user" , 
            "content" : "Say this is a test" , 
        } 
    ], 
    model= "AMead10/Llama-3.2-3B-Instruct-AWQ" , 
)

第三步，交互测试：是否按照预期进行

通过发送一个测试消息并打印回复，来验证本地LLM服务是否正常运行。

print(chat_completion.choices[ 0 ].message.content)

3、在线测试

地址：https://www.meta.ai/?utm_source=llama_meta_site&utm_medium=web&utm_content=Llama_hero&utm_campaign=Sept_moment

4、基于Ollama等框架实现推理

T1、基于Ollama实现本地部署并启用llama3.2:1b模型服务

ollama run llama3.2:1b

Llama 3.2 的案例应用

1、移动设备上的本地智能应用

   - 通过 1B 和 3B 模型，用户可以在手机上运行本地智能助手，实现会议摘要、调用日历等功能，而不需要依赖云端处理，提升隐私保护。

2、图像生成与分析

   - 利用 11B 和 90B 模型的多模态能力，用户可以对高分辨率图像进行推理，如将输入图像转化为全新的图像，或从周围环境的图像中提取详细信息。

3、增强现实和虚拟现实

   - 在增强现实（AR）和虚拟现实（VR）应用中，Llama 3.2 的多模态模型可以用于图像理解和生成，帮助用户更深入地与虚拟环境互动。

4、企业级应用

   - 媒体公司和大企业可以通过 Llama Stack 部署 Llama 3.2 来优化工作流、开发高效的智能工具。例如，使用 90B 模型进行复杂的数据分析和视觉推理，提高业务效率。

Llama-Factory 简介 二， 脚本详解 LLaMA-Factory/src/train_bash.py LLaMA-Factory/src/llmtuner/train/pt/workfl
强化学习曾小健
04-17 2470
│ ├── single_node.sh: 使用 Accelerate 进行单节点 LoRA 训练。│ ├── pretrain.sh: 基于 LoRA 进行增量预训练。│ ├── reward.sh: 基于 LoRA 进行奖励模型训练。│ ├── orpo.sh: 基于 LoRA 进行 ORPO 训练。│ ├── ppo.sh: 基于 LoRA 进行 PPO 训练。│ ├── dpo.sh: 基于 LoRA 进行 DPO 训练。
LlaMa-Factory源码解析之预训练LLaMA-Factory/src/llamafactory/train/pt/workflow.py -＞ run_pt()
强化学习曾小健
04-17 1267
python复制):run_pt此函数负责语言模型的预训练流程。它接受配置和参数，用于指定模型、数据、训练和微调的参数。callbacks可选的回调函数列表，可以用于训练过程中的自定义操作（例如，日志记录、保存检查点）。
星海智算：Llama3.2 Vision使用教程
2402_84709675的博客
01-17 831
​​Llama 3.2-Vision 多模态大型语言模型 (LLM) 集合是一个包含 11B 和 90B 尺寸的指令微调图像推理生成模型的集合（文本 + 图像输入 / 文本输出）。Llama 3.2-Vision 指令微调模型针对视觉识别、图像推理、字幕生成和回答有关图像的一般问题进行了优化。在常见的行业基准测试中，这些模型的性能超过了众多现有的开源和闭源多模态模型。支持的语言：对于纯文本任务，官方支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。
Llama 3.2——同时具备文本和图像处理功能的开源模型
知来者逆的博客
09-29 1658
Llama 3.2 是 Meta 的 Llama 系列的最新版本，包含各种语言模型，旨在满足各种需求。最大和中等规模的模型包括 90 亿和 11 亿个参数，旨在处理包括文本和图像在内的多模态数据。这些模型可以有效地解释图表、图形和其他形式的视觉数据，使其适合在计算机视觉、文档分析和增强现实工具等领域构建应用程序。轻量级模型具有 1 亿和 3 亿个参数，专门用于移动设备。
Llama 3.2系列深度评测：性能显著提升，是否真的值得选择？
2401_84204413的博客
03-07 993
令人兴奋的消息，Meta发布了Lllam3.2系列模型，当前的基准显示，Llama 3.2 在各种基准测试中表现优于 Claude3.5 Haiku 以及 GPT-4o-mini；加上前几天的Qwen2.5，这是他们的第1次开源多模态大模型，总共有4个；其中两个是视觉模型（11B、90B）。90B可能是目前最大的视觉模型了，我记得前面一个比较大的是剩下的两个是1B和3B的，这些模型专为边缘计算和移动设备优化，支持 128k 令牌，擅长任务如摘要和遵循指令，针对各种处理器进行了优化。
Llama 3.2：开源可定制视觉模型，引领边缘AI革命
m0_59235945的博客
10-09 2097
今天，Meta发布了 Llama 3.2，主要包括小型和中型视觉 LLM（11B 和 90B）以及适合边缘和端侧的轻量级纯文本模型（1B 和 3B），包括预训练和指令调整版本。Llama 3.2 1B 和 3B 模型支持 128K 令牌的上下文长度，在同类产品中处于较领先地位，适用于总结、指令跟踪和在边缘本地运行的重写任务等设备用例。Llama 3.2 11B 和 90B 视觉模型在图像理解任务上的表现优于封闭模型（例如 Claude 3 Haiku）。
Llama 3.2 它来了～ 主打 VLM+轻量化
xx_nm98的博客
09-26 2926
原文链接：https://ai.meta.com/blog/llama-3-2-connect-2024-vision-edge-mobile-devices/今天，我们发布了Llama 3.2版本，其中包括适用于边缘设备和移动设备的小型和中型视觉LLM（11B和90B），以及适用于轻量级文本模型（1B和3B）。羊驼3.2 1B和3B模型支持128K个令牌的上下文长度，在设备上的使用案例如摘要、指令跟随和本地边缘运行的重写任务方面处于同类产品的领先地位。
一文了解：最新版本 Llama 3.2
qianggezhishen的专栏
09-28 3065
用户可以直接在设备上对大量文本进行摘要，比如电子邮件或会议记录，不需要依赖云服务。
大语言模型之七- Llama-2单GPU微调SFT
shichaog的专栏
09-02 7214
可以使用tranformers和trl库两种方式实现微调，TRL是huggingface开发的模型微调库，旨在简化和简化语言模型的微调过程，凭借其直观的接口和广泛的功能，TRL使研究人员和从业者能够轻松高效地微调大型语言模型，如LLaMA-v2-7B。通过利用TRL，我们可以释放语言模型化的全部潜力。它为各种NLP任务提供了一套全面的工具和技术，包括文本分类、命名实体识别、情感分析等等。有了TRL，能够根据特定需求微调LLaMA-v2-7B定制模型的功能。
解码 Llama 3 SFT：Templates、Special Tokens 及其在微调中的作用
最新发布
kakaZhui的博客
04-02 403
对话模板 (Chat Templates)和特殊标记 (Special Tokens)。它们是指导模型如何理解和生成结构化对话的关键“语法规则”。没有正确理解和使用它们，你的微调效果可能会大打折扣，甚至模型会“胡言乱语”。本文将以 Llama 3 为例，深入探讨 Template 和 Special Token 的定义、它们在 SFT 训练过程中的具体应用，以及这样设计背后的目的。
Llama 3模型：多维度损失函数铸就大语言模型新巅峰
步子哥的博客
08-04 1565
Llama 3模型通过精心设计的多维度损失函数策略,成功地将不同方面的语言能力融合在一个统一的框架中。这种方法不仅提高了模型的整体性能,还增强了模型的可解释性和可控性。未来,随着损失函数设计的进一步优化和新型损失函数的引入,我们有理由相信,大语言模型将在更多领域发挥重要作用,为人工智能的发展开辟新的道路。解密 Llama：探秘大型语言模型的训练之道 - 损失函数篇 - 借一步网Llama 3.1是如何炼成的-CSDN博客翻译：The Llama 3 Herd of Models - 李理的博客。
刚刚，Llama 3.2 来了！支持图像推理，还有可在手机上运行的版本
h1453586413的博客
09-26 1028
今天凌晨，大新闻不断。一边是 OpenAI 的高层动荡了，另一边被誉为「真・Open AI」的 Meta 对 Llama 模型来了一波大更新：不仅推出了支持图像推理任务的新一代 Llama 11B 和 90B 模型，还发布了可在边缘和移动设备上的运行的轻量级模型 Llama 3.2 1B 和 3B。不仅如此，Meta 还正式发布了 Llama Stack Distribution，其可将多个 API 提供商打包在一起以便模型方便地调用各种工具或外部模型。此外，他们还发布了最新的安全保障措施。
Llama 3.2：AI视觉革新，手机也能跑大模型
2401_85373898的博客
09-26 1323
Meta最新发布的Llama 3.2不仅能"看"，还能在你的手机上运行。这次更新带来了多模态支持的Llama Vision和专为设备端优化的"tiny"模型，共推出10个新模型，规模从1B纯文本到90B多模态（文本+图像）不等。Llama 3.2的核心亮点：1.Llama 3.2 Vision：推出11B和90B两种规模的多模态模型，支持文本+图像输入并生成文本输出。这些模型基于Llama 3.1文本模型，通过6B图像-文本对训练而成。
大模型LLM | Llama3.2来了！支持多模态！手机也能用！
老皮的博客
09-26 1631
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
Llama 3.2入门基础教程（非常详细），Llama 3.2微调、部署以及多模态训练入门到精通，收藏这一篇就够了！
热门推荐
weixin_58753619的博客
09-27 1万+
9 月 25 日 Meta 发布了 Llama 3.2，包括 11B 和 90B 的视觉语言模型。
【AI大模型】Llama 3.2 900亿参数视觉多模态大模型本地部署及案例展示
bugyinyin的博客
01-25 770
今年9月，Meta公司发布了 Llama 3.2版本，包括11B 和 90B的中小型视觉大语言模型，适用于边缘计算和移动设备的1B 和 3B轻量级文本模型，，均预训练基础版和指令微调版，除此之外，还发布了一个安全模型Llama Guard 3。Llama 3.2 Vision 是 Meta 发布的最强大的开源多模态模型。
地表最强开源大模型！Llama 3.2，如何让你的手机变身私人智能助理
2401_85375151的博客
10-06 1397
你有没有想过，为什么现在的手机越来越像小型电脑？无论是拍照、看视频，还是用各种APP，甚至是AI助手，手机的功能几乎无所不能。其实，这一切的背后有一个技术正在悄悄改变我们的生活，那就是Llama 3.2。它不仅仅是一款AI模型，它让智能手机变得更聪明，更高效。今天，我们就来聊聊Llama 3.2，看看它是如何彻底改变移动设备和边缘计算的。
通过Ollama本地部署安装 Llama 3.2 、qwen大模型
10-14 847
安装完成通过本地地址：http://127.0.0.1:3000 进行访问，然后在里面下载安装Llama 3.2 模型。1、通过Ollama进行部署 ，支持多平台！Windows / Mac /Linux 都可以运行 【然后选择模型，输入qwen2.5:7b进行模型下载。安装完成之后，点击“新对话”，选择安装的模型即可开始使用。2、安装Docker Desktop ：【然后本地安装webUI。
llama-factory部署微调 windows
01-01
### 部署和微调 LLaMA-Factory 模型 #### 准备工作环境 为了在 Windows 上成功部署并微调 LLaMA-Factory 模型，需要先安装必要的依赖项。这包括 Python 和 PyTorch 的设置。 ```bash conda create -n llama-env python=3.9 conda activate llama-env pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 这些命令创建了一个新的 Conda 虚拟环境，并安装了 CUDA 版本的 PyTorch 库[^1]。 #### 安装 LLaMA-Factory 及其依赖库 接下来要克隆 LLaMA-Factory 仓库到本地计算机： ```bash git clone https://github.com/facebookresearch/llama.git cd llama pip install -e . ``` 这段代码会下载项目源码并将它作为可编辑包安装，使得可以随时修改代码而不必重新打包发布。 #### 下载预训练模型权重文件 尽管 LLaMA-Factory 是一个用于构建自定义语言模型的强大工具集，但是实际应用中通常不会从头开始训练整个网络结构；相反，更常见的是基于现有的高质量参数初始化新任务的学习过程——即迁移学习方法的一部分。因此，在此之前还需要获取官方发布的预训练模型权重来加载至框架内。 可以通过如下方式获得所需资源链接： 访问 Hugging Face Model Hub 或者其他公开平台找到合适的版本进行下载保存于指定路径下以便后续使用。 #### 微调模型 完成上述准备工作之后就可以着手准备自己的数据集以及调整超参来进行特定领域上的优化操作了。假设已经有了标注好的文本对儿组成的 CSV 文件形式的数据集，则可以直接利用内置脚本来启动训练流程: ```python from transformers import Trainer, TrainingArguments, AutoModelForCausalLM, DataCollatorForLanguageModeling import datasets model_name_or_path = "path_to_pretrained_model" train_file = "./data/train.csv" dataset = datasets.load_dataset(&#39;csv&#39;, data_files={&#39;train&#39;: train_file}) tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) def tokenize_function(examples): return tokenizer(examples[&#39;text&#39;]) tokenized_datasets = dataset.map(tokenize_function, batched=True) data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm_probability=0.15) training_args = TrainingArguments( output_dir="./results", evaluation_strategy="epoch", learning_rate=2e-5, per_device_train_batch_size=8, per_device_eval_batch_size=8, num_train_epochs=3, weight_decay=0.01, ) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) trainer = Trainer( model=model, args=training_args, train_dataset=tokenized_datasets["train"], eval_dataset=None, data_collator=data_collator, ) trainer.train() ``` 该段Python程序展示了如何通过HuggingFace Transformers库中的`Trainer`类简化微调过程，同时指定了评估策略、学习率等重要参数配置。
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

打赏作者

一个处女座的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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