LLM推理部署（四）：一个用于训练、部署和评估基于大型语言模型的聊天机器人的开放平台FastChat

最新推荐文章于 2025-05-08 16:31:21 发布
最新推荐文章于 2025-05-08 16:31:21 发布
阅读量2.2k 收藏 3
点赞数
分类专栏： ChatGPT 笔记 NLP 文章标签： 语言模型 机器人 人工智能
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/wshzd/article/details/134762255
版权

       FastChat是用于对话机器人模型训练、部署、评估的开放平台。体验地址为：https://chat.lmsys.org/，该体验平台主要是为了收集人类的真实反馈，目前已经支持30多种大模型，已经收到500万的请求，收集了10万调人类对比大模型的数据，可以在排行榜（https://huggingface.co/spaces/lmsys/chatbot-arena-leaderboard）进行查看。

FastChat核心特性包括：

  • 提供了SOTA模型（比如Vicuna，FastChat-T5）的模型权重，训练代码，评估代码；
  • 分布式多模型部署系统，自带Web UI和OpenAI兼容的RESTful APIs。

一、FastChat安装

方法一：pip安装

pip3 install "fschat[model_worker,webui]"

方法二：源码安装

Step1 克隆源码并切换到对应的目录下

git clone https://github.com/lm-sys/FastChat.gitcd FastChat

如果是mac，还需要执行如下代码

brew install rust cmake

Step2 安装相关的包​​​​​​​

pip3 install --upgrade pip  # enable PEP 660 supportpip3 install -e ".[model_worker,webui]"

二、FastChat聊天应用

下面展示一下不同模型以及不同大小启用聊天功能

Vicuna模型

模型大小聊天命令Hugging Face 
7Bpython3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5lmsys/vicuna-7b-v1.5
7B-16kpython3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5-16klmsys/vicuna-7b-v1.5-16k
13Bpython3 -m fastchat.serve.cli --model-path lmsys/vicuna-13b-v1.5lmsys/vicuna-13b-v1.5
13B-16kpython3 -m fastchat.serve.cli --model-path lmsys/vicuna-13b-v1.5-16klmsys/vicuna-13b-v1.5-16k
33Bpython3 -m fastchat.serve.cli --model-path lmsys/vicuna-33b-v1.3lmsys/vicuna-33b-v1.3

PS：对于16k模型，需要transformers>=4.31。

LongChat

模型大小聊天命令Hugging Face
7Bpython3 -m fastchat.serve.cli --model-path lmsys/longchat-7b-32k-v1.5lmsys/longchat-7b-32k

FastChat-T5

模型大小聊天命令Hugging Face
3Bpython3 -m fastchat.serve.cli --model-path lmsys/fastchat-t5-3b-v1.0lmsys/fastchat-t5-3b-v1.0

三、FastChat使用命令行进行推理

图片

PS：可以使用 --style rich 来启用富文本输出，提高某些非 ASCII 内容的文本流传输质量。在某些终端上可能无法正常工作。

支持的模型

      支持的模型有LLama 2, Vicuna, Alpaca, Baize, ChatGLM, Dolly, Falcon, FastChat-T5, GPT4ALL, Guanaco, MTP, OpenAssistant, OpenChat, RedPajama, StableLM, WizardLM等。查看支持的全部模型和如何添加新模型可以参考：https://github.com/lm-sys/FastChat/blob/main/docs/model_support.md

单GPU

       在单GPU下，执行如下命令：

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5

      对于Vicuna-7B 模型大概需要14G显存，对于Vicuna-13B模型大概需要28G显存，如果显存不够，可以参考：https://github.com/lm-sys/FastChat#not-enough-memory

多GPU

       支持多GPU并行推理，命令如下：

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --num-gpus 2

       有时候”auto“策略在huggingface/transformers不能在多GPU间平衡，因此最好增加参数”--max-gpu-memory“，该参数可以指定每个gpu用于存储模型权重的最大内存。这允许它为激活分配更多的内存，因此可以使用更长的上下文长度或更大的批处理大小。最好的命令是：

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --num-gpus 2 --max-gpu-memory 8GiB

仅CPU

      在单CPU下，执行如下命令：

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device cpu

      对于Vicuna-7B 模型大概需要30G内存，对于Vicuna-13B模型大概需要60G内存。

        如果使用AVX512_BF16/AMX加速CPU推理，命令如下：

CPU_ISA=amx python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device cpu

Metal Backend (带苹果Silicon 或AMD GPU的Mac电脑)

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device mps --load-8bit

       参数”--device mps“在torch>2.0情况下，可以加速mac GPU运算；参数”--load-8bit“可以量化为int8。Vicuna-7B在32GB内存的M1 Mac电脑 上推理时，每秒会生成1 - 2个词。

Intel XPU（Intel Data Center和Arc A-Series GPU）

    安装Intel Extension for PyTorch（https://intel.github.io/intel-extension-for-pytorch/xpu/latest/tutorials/installation.html）。设置OneAPI环境变量：

source /opt/intel/oneapi/setvars.sh

使用 --device xpu 启用XPU/GPU加速。

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.3 --device xpu

Vicuna-7B 可以在Intel Arc A770 16GB上运行。

显存不足

       对于显存不够的情况，可以参考量化或者offload策略来部分解决，比如在命令行加入参数”--load-8bit“或者”--cpu-offloading“

python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --load-8bit

四、FastChat使用WEB GUI进行推理

图片

       使用web UI提供服务，需要三个主要组件：与用户接口的web服务器、托管一个或多个模型的模型worker，以及协调web服务器和模型worker的controller。更多信息可以参考：https://github.com/lm-sys/FastChat/blob/main/docs/server_arch.md

启动controller

python3 -m fastchat.serve.controller

启动模型worker

python3 -m fastchat.serve.model_worker --model-path lmsys/vicuna-7b-v1.5

       启动成功后，会看到"Uvicorn running on ..."，也可以通过如下命令来测试模型worker是否正确连接controller

python3 -m fastchat.serve.test_message --model-name vicuna-7b-v1.5

启动Gradio Web服务器

python3 -m fastchat.serve.gradio_web_server

五、FastChat模型评估

      FastChat使用多轮开放式问题来评估模型。为了实现评估过程的自动化，建议采用像GPT-4这样的强大LLM评估模型的回复（https://github.com/lm-sys/FastChat/blob/main/fastchat/llm_judge）。

具体步骤如下：

  1. 从不同的模型生成回答：使用 qa_baseline_gpt35.py 获取ChatGPT的回答，或者指定模型检查点并运行 get_model_answer.py 获取 Vicuna 和其他模型的回答；

  2. 使用 GPT-4 生成评论：使用 GPT-4 自动生成评论。如果您无法使用 GPT-4 API，则可以手动执行此步骤；

  3. 生成可视化数据：运行 generate_webpage_data_from_table.py 生成静态网站的数据，以便您可以可视化评估数据；

  4. 可视化数据：在 webpage 目录下提供一个静态网站。您可以使用 python3 -m http.server 在本地提供网站服务。

数据格式和贡献

      采用JSON Lines 编码的数据格式进行评估，该格式包括有关模型、提示、评论者、问题、回答和评论的信息。

六、FastChat模型微调

6.1 数据

       Vicuna 是通过使用从 ShareGPT.com 上收集的约 7 万个用户共享对话使用 LLaMA 基础模型进行微调而创建的，使用了公共的 API。为了确保数据质量，将 HTML 转换回 Markdown，并过滤掉一些不适当或低质量的样本。此外，将较长的对话分割成适合模型最大上下文长度的较小段落（https://github.com/lm-sys/FastChat/blob/main/docs/commands/data_cleaning.md）。

      目前可能不会发布 ShareGPT 数据集，如果想尝试微调代码，可以使用 dummy_conversation.json（https://github.com/lm-sys/FastChat/blob/main/data/dummy_conversation.json）中的一些虚拟对话来运行它，可以按照相同的格式插入自己的数据。

6.2 代码和超参数

HyperparameterGlobal Batch SizeLearning rateEpochsMax lengthWeight decay
Vicuna-13B1282e-5320480

6.3 使用本地GPU微调Vicuna-7B模型

pip3 install -e ".[train]"

使用以下命令使用 4 个 A100 (40GB) 对 Vicuna-7B 进行训练​​​​​​​

torchrun --nproc_per_node=4 --master_port=20001 fastchat/train/train_mem.py \    --model_name_or_path meta-llama/Llama-2-7b-hf \    --data_path data/dummy_conversation.json \    --bf16 True \    --output_dir output_vicuna \    --num_train_epochs 3 \    --per_device_train_batch_size 2 \    --per_device_eval_batch_size 2 \    --gradient_accumulation_steps 16 \    --evaluation_strategy "no" \    --save_strategy "steps" \    --save_steps 1200 \    --save_total_limit 10 \    --learning_rate 2e-5 \    --weight_decay 0. \    --warmup_ratio 0.03 \    --lr_scheduler_type "cosine" \    --logging_steps 1 \    --fsdp "full_shard auto_wrap" \    --fsdp_transformer_layer_cls_to_wrap 'LlamaDecoderLayer' \    --tf32 True \    --model_max_length 2048 \    --gradient_checkpointing True \    --lazy_preprocess True

参考文献：

[1] https://github.com/lm-sys/FastChat

[2] https://github.com/lm-sys/FastChat/blob/main/docs/openai_api.md

[3] https://github.com/lm-sys/FastChat/blob/main/fastchat/serve/huggingface_api.py

[4] https://github.com/lm-sys/FastChat/blob/main/docs/langchain_integration.md

【人工智能时代】- FastChat一个用于训练、部署和评估基于大型语言模型的聊天机器人的开放平台
xiaoli8748的专栏
09-24 849
相信现在各大公司都在进行着不同程度的AI布局，有AI大模型自研能力的公司毕竟是少数，对于大部分公司来说，在一款开源可商用的大模型基础上进行行业数据微调也正在成为一种不错的选择。•安装[11]•模型权重[12]•使用命令行界面进行推理[13]•使用Web界面进行服务[14]•API[15]•评估[16]•微调[17]•引用[18]对于Vicuna-7B，它需要大约30GB的CPU内存，对于Vicuna-13B，它需要大约60GB的CPU内存。在这样做时，请为不同的模型工作者分配不同的GPU和端口。
LLM 大模型学习必知必会系列(十二)：VLLM性能飞跃部署实践：从推理加速到高效部署的全方位优化[更多内容：XInference/FastChat等框架]
丨汀、的博客
05-27 5415
LLM 大模型学习必知必会系列(十二)：VLLM性能飞跃部署实践：从推理加速到高效部署的全方位优化[更多内容：XInference/FastChat等框架]
使用Fastchat部署vicuna大模型
qiaotl的博客
09-08 2361
详细介绍如何通过FastChat部署大模型，并启动大模型的API调用方式
本地化部署大模型方案二：fastchat+llm(vllm)
huiguo_的博客
01-23 1万+
FastChat 是一个开放平台，用于训练、服务和评估基于大型语言模型的聊天机器人。FastChat 为 Chatbot Arena ( https://chat.lmsys.org/ ) 提供支持，为 50 多名法学硕士提供超过 600 万个聊天请求。Arena 从并列的 LLM 比赛中收集了超过 10 万个人投票，编制了在线LLM Elo排行榜。最先进模型的训练和评估代码（例如，Vicuna、MT-Bench）。
主流 LLM 部署框架
因为不想回家，所以还是去搬砖。
04-26 1018
如果有多个 GPU 或者强大的硬件，DeepSpeed-MII 和 Turbomind 能发挥更大作用。：FasterTransformer 和 Triton 是极限推理加速场景的优选。提供了类似 OpenAI 接口的私有部署服务，适合有低成本部署需求的场景。是一个多框架支持的通用推理框架，适合需要兼容多种框架和处理多模型的场景。是专为高效推理而生，特别适合对延迟要求非常严格的任务。：vLLM 和 TGI 非常适合高并发的在线推理任务。场景，尤其是需要优化内存和推理性能的环境。
LLM部署
wandererXX的博客
12-18 896
【代码】LLM部署。
使用FastChat快速部署LLM服务
张伟的专栏
08-02 1646
FastChat 的 Worker 会向 Controller 注册自身，并通过心跳机制保持连接。使用 FastChat OpenAI API Server 的端点初始化。为了避免潜在的依赖冲突，创建单独的虚拟环境用于FastChat部署。为了获得更好的推理性能，推荐使用vLLM作为后端来加速推理。服务启动后，默认端口是 8000，可以通过。关闭 OpenAI API Server。参数是设置服务的主机地址，这里设置为。，表示可以通过任何地址访问。关闭 Controller。
FastChat
AI工程化、开源分享、文档翻译、代码笔记
07-17 1164
一、关于 FastChat 二、安装 方法1：使用pip 方法2：从源码 三、模型权重 1、Vicuna 权重 2、其他模型 四、使用命令行界面进行推理 1、支持的模型 2、单GPU 3、多 GPU 4、仅 CPU 5、Metal 后端（带有Apple Silicon 或 AMD GPU 的 Mac计算机） 6、英特尔 XPU（英特尔数据中心和Arc A系列GPU） 7、Ascend NPU 8、内存不够 9、更多平台和量化 10、使用 modelscope 中的模型 五、使用Web GUI提供服务 1、启
本地聊天机器人部署方案
最新发布
MrLi的博客
05-08 818
本地聊天机器人部署方案根据需求的复杂度、安全性、资源限制、模型大小、是否联网等因素可分为轻量级、本地大模型、私有化部署等几种形式。
【人工智能时代】- LLM 大模型学习必知必会系列-VLLM性能飞跃部署实践：从推理加速到高效部署的全方位优化[更多内容：XInference/FastChat等框架]
xiaoli8748的专栏
09-22 1265
do_sample：布尔类型。是否使用随机采样方式运行推理，如果设置为False，则使用beam_search方式temperature：大于等于零的浮点数。公式为：从公式可以看出，如果T取值为0，则效果类似argmax，此时推理几乎没有随机性；取值为正无穷时接近于取平均。一般temperature取值介于[0, 1]之间。取值越高输出效果越随机。如果该问答只存在确定性答案，则T值设置为0。反之设置为大于0。top_k：大于0的正整数。从k个概率最大的结果中进行采样。k越大多样性越强，越小确定性越强。
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[1]-最新版快速实践并部署（检索增强生成RAG大模型）
丨汀、的博客
06-13 3957
基于LangChain-Chatchat实现的RAG-本地知识库的问答应用[1]-最新版快速实践并部署（检索增强生成RAG大模型）
FastChat-开源
05-01
FastChat是本地网络中的一种小型且易于使用的聊天程序。 它与udp协议一起使用。
大模型工程化部署：使用FastChat部署基于OpenAI API兼容大模型服务
Robin
11-24 2608
大模型工程化部署：使用FastChat部署基于OpenAI API兼容大模型服务
用通俗易懂的方式讲解大模型：使用 FastChat 部署 LLM 的体验太爽了
热门推荐
2301_78285120的博客
12-30 1万+
FastChat[2]是一个用于训练、服务和评估基于大型语言模型的聊天机器人的开放平台。其核心功能包括：最先进 LLM 模型的权重、训练代码和评估代码。带有 WebUI 和与 OpenAI 兼容的 RESTful API 的分布式多模型服务系统。其实 FastChat 的功能非常强大，今天介绍的部署功能只是冰山一角，如果你对 FastChat 感兴趣的话，可以去官方仓库查看更多的信息。今天的文章就到这里，如果在部署的过程中遇到问题，欢迎在评论区讨论。
LLM部署-Fastllm
银晗的学习博客
10-31 486
model支持了ChatGLM的API函数chat, stream_chat，因此ChatGLM的demo程序无需改动其他代码即可运行model还支持下列API用于生成回复。
深度学习-45-大型语言模型LLM之本地化部署运行自己的大模型
qq_20466211的博客
04-23 1809
两个可以运行在本地的大模型工具：ollama和llama.cpp，尤其是ollama，本地跑一个大模型特别简单。无论是Ollama还是llama.cpp都是运行的量化后的模型（GGUF格式的），所以对电脑配置的要求大幅降低。
【FastChat】用于训练、服务和评估大型语言模型的开放平台
wuli_xin的博客
03-04 735
🚀 根据 GPT-4 的评估，Vicuna 达到了 ChatGPT/Bard 90%* 的质量，同时显着优于其他基线。用于训练、服务和评估大型语言模型的开放平台。发布 Vicuna 和 Chatbot Arena 的存储库。Chatbot Arena 从并列的 LLM 比赛中收集了超过 20 万个人投票，编制了。FastChat 是一个开放平台，用于训练、服务和评估基于大型语言模型的聊天机器人。隆重推出 Vicuna，一款令人印象深刻的开源聊天机器人 GPT-4！FastChat 为。
大模型实战--FastChat一行代码实现部署和各个组件详解
pingguocu3的博客
10-05 1933
使用FastChat部署大模型流程图假如你已经部署一个Llama3.1-8B的模型，以启动OpenAI API服务为例,各个组件之间的关系Controller负责管理分布式模型实例# 默认端口21001Model Worker是大模型服务实例，它在启动时向Controller注册# 默认端口21002。
transformer大语言模型(LLM)部署方案整理
yuanlulu的博客
09-13 5986
大模型的基本特征就是大，单机单卡部署会很慢，甚至显存不够用。毕竟不是谁都有H100/A100, 能有个3090就不错了。 目前已经有不少框架支持了大模型的分布式部署，可以并行的提高推理速度。不光可以单机多卡，还可以多机多卡。
ollama同类框架
03-19
<think>好的，用户想了解类似于Ollama的同类框架。首先，我需要确认Ollama是什么。根据之前的知识，Ollama是一个用于本地运行大型语言模型（LLM）的开源工具，支持多种模型如Llama 2、Mistral等，提供命令行界面和API，方便开发者在本地部署和管理模型。接下来，我需要找出与Ollama功能相似的框架，可能包括模型部署、本地运行、API支持等特点。 首先想到的是Llama.cpp，它专注于在CPU上高效运行Llama模型，支持多种量化方法，适合资源有限的环境。然后是Hugging Face的Transformers库，虽然更广泛，但提供了本地运行模型的能力，支持多种框架如PyTorch和TensorFlow。Text Generation WebUI可能也是一个候选，它提供了基于Web的界面，方便用户交互。 接着考虑其他可能的框架，比如LM Studio，它提供图形界面，适合非技术用户。GPT4All也是一个选项，专注于本地运行且无需GPU。还有vLLM，虽然主要用于生产环境的高效推理，但可能与Ollama有部分重叠。FastChat和LocalAI可能也是相关的，后者兼容OpenAI API，适合需要兼容性的项目。 需要验证这些框架是否确实属于同类，比如检查它们是否支持本地运行、是否开源、是否有API或命令行工具等。同时，用户可能需要比较这些工具的特点，比如性能、易用性、支持的模型等，以便选择最适合的。 还要注意用户可能的深层需求，比如是否关注资源消耗、是否需要图形界面、是否希望与现有系统集成等。因此，在回答中应该分点介绍每个框架，并突出它们的特点和适用场景，帮助用户做出决策。确保使用正确的中文术语，结构清晰，信息准确可靠。</think>以下是一些与 **Ollama** 功能类似的框架或工具，它们均支持本地部署和运行大型语言模型（LLMs），适合开发者和研究人员使用： --- ### 1. **Llama.cpp** - **特点**：专为 Meta 的 **Llama** 系列模型优化的 C/C++ 实现，支持 CPU 推理，量化模型以降低资源消耗。 - **适用场景**：资源受限环境（如无 GPU 的机器）、需要轻量级部署。 - **优势**：高效、跨平台、支持多种量化格式（如 GGUF）。 - **项目地址**: [ggerganov/llama.cpp](https://github.com/ggerganov/llama.cpp) --- ### 2. **Hugging Face Transformers** - **特点**：提供广泛的预训练模型库（如 GPT、BERT、T5），支持 PyTorch、TensorFlow 等框架。 - **适用场景**：需要灵活定制模型架构、微调或研究用途。 - **优势**：社区活跃、文档完善、支持本地部署和 API 扩展。 - **项目地址**: [huggingface/transformers](https://github.com/huggingface/transformers) --- ### 3. **Text Generation WebUI** - **特点**：基于 Web 的交互界面，支持多种模型后端（包括 Ollama、Llama.cpp 等），提供聊天、模型管理功能。 - **适用场景**：快速测试模型、非开发者友好。 - **优势**：图形化操作、插件扩展（如语音交互、RAG）。 - **项目地址**: [oobabooga/text-generation-webui](https://github.com/oobabooga/text-generation-webui) --- ### 4. **LM Studio** - **特点**：桌面端工具，支持本地运行开源模型（如 Mistral、Llama），提供图形界面和模型市场。 - **适用场景**：个人用户、无需代码操作。 - **优势**：易用性高、跨平台（macOS/Windows/Linux）。 - **官网**: [lmstudio.ai](https://lmstudio.ai/) --- ### 5. **GPT4All** - **特点**：专注于本地运行的轻量化工具，提供 Python 绑定和 GUI，支持多模态模型。 - **适用场景**：隐私敏感场景、离线使用。 - **优势**：无需 GPU、低资源消耗。 - **项目地址**: [nomic-ai/gpt4all](https://github.com/nomic-ai/gpt4all) --- ### 6. **vLLM** - **特点**：高性能推理框架，支持并行化和分布式部署，兼容 Hugging Face 模型。 - **适用场景**：生产环境、高吞吐量需求。 - **优势**：推理速度快、支持连续批处理（Continuous Batching）。 - **项目地址**: [vllm-project/vllm](https://github.com/vllm-project/vllm) --- ### 7. **LocalAI** - **特点**：兼容 OpenAI API 的开源替代品，支持本地部署多种模型（如 Llama、StableLM）。 - **适用场景**：需要与 OpenAI 生态兼容的项目。 - **优势**：API 兼容性强、支持多模态（文本/图像/音频）。 - **项目地址**: [go-skynet/LocalAI](https://github.com/go-skynet/LocalAI) --- ### 8. **FastChat** - **特点**：基于 Vicuna 模型的训练和部署工具，支持 Web UI 和 API。 - **适用场景**：构建自定义聊天机器人、学术研究。 - **优势**：支持模型训练与评估、多后端兼容。 - **项目地址**: [lm-sys/FastChat](https://github.com/lm-sys/FastChat) --- ### 对比总结 | **框架** | **核心优势** | **适用场景** | |-----------------------|---------------------------|--------------------------| | Ollama | 简单易用、模型管理便捷 | 快速本地测试、开发者工具链 | | Llama.cpp | 极致性能、CPU 优化 | 低资源环境、嵌入式设备 | | Hugging Face | 模型多样性、灵活性高 | 研究与定制化开发 | | Text Generation WebUI | 图形化界面、插件丰富 | 非技术用户、快速原型开发 | | LocalAI | OpenAI API 兼容性 | 企业级替代方案、无缝迁移 | --- 可根据需求选择工具： - **优先易用性** → 尝试 **LM Studio** 或 **Ollama** - **需要 API 兼容性** → 选择 **LocalAI** - **追求高性能推理** → 使用 **vLLM** 或 **Llama.cpp**
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

wshzd

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