Ryuko-NEHT Reloaded! MAME 0.116 游戏合集
站在巨人的肩上，走的更远。
镜像/应用大全，欢迎访问
一键模型下载，推理，微调，合并工具。
# 一锤定音（大模型工具）
ms-swift是魔搭社区提供的大模型与多模态大模型训练部署框架，现已支持600+ 纯文本大模型与300+ 多模态大模型的完整生命周期管理，涵盖预训练、微调、人类对齐、推理、评测、量化与部署。开发者可在ms-swift框架中一站式完成从模型下载到上线的全流程操作。
本项目基于MAME 0.116核心构建，融合 Ryuko-NEHT 团队经典 ROM 合集，并以现代 AI 工具链为内核，打造“复古游戏模拟”与“前沿大模型开发”双轨并行的技术实验平台 —— 正如其名：Ryuko-NEHT Reloaded!
我们不仅复刻了经典街机的灵魂，更将其精神注入当代人工智能工程化实践中。
🛠️ 核心能力概览
| 功能模块 | 支持详情 |
|---|---|
| ✅ 模型类型 | 覆盖 LLaMA、Qwen、ChatGLM、Baichuan、InternLM、Phi、StableLM、Falcon、Dolly、BLOOM、OPT、T5、GPT-NeoX、Mistral、Mixtral、DeepSeek、Yi、Cohere、Command-R、OLMo 等主流架构；支持图像生成、视频理解、语音识别、图文问答等多模态任务 |
| ✅ 数据集支持 | 内置 150+ 高质量数据集，包括 Alpaca、ShareGPT、UltraFeedback、PKU-SafeRLHF、CoIG、VisualWeb、LLaVA-Instruct、ImageNet、ASR-Corpus 等，同时支持自定义数据集上传与格式解析 |
| ✅ 硬件兼容性 | 支持 CPU、NVIDIA RTX 全系列显卡（T4/V100/A10/A100/H100）、华为 Ascend NPU、Apple MPS（M1/M2/M3）等多种异构设备 |
| ✅ 训练方式 | 提供 LoRA、QLoRA、DoRA、LoRA+、ReFT、RS-LoRA、LLaMAPro、Adapter、GaLore、Q-Galore、LISA、UnSloth、Liger-Kernel 等轻量级参数高效微调技术 |
| ✅ 分布式训练 | 支持 DDP、device_map 模型切分、DeepSpeed ZeRO-2/ZeRO-3、FSDP、Megatron-LM 并行策略，可实现千亿参数模型的高效训练 |
| ✅ 量化训练 | 支持 BNB、AWQ、GPTQ、AQLM、HQQ、EETQ 等量化方案下的继续训练（QLoRA + GPTQ 协同训练） |
| ✅ 对齐训练（RLHF/DPO类） | 完整支持 DPO、GRPO、KTO、SimPO、ORPO、CPO、PPO、RM 建模、GKD 等人类偏好对齐算法 |
| ✅ 多模态训练 | 支持 VQA、Captioning、OCR、Grounding、Video-QA 等跨模态任务，集成 CLIP、BLIP、Flamingo、CogVLM 架构 |
| ✅ 推理加速 | 支持 PyTorch Native、vLLM、SGLang、LmDeploy 引擎，提供 OpenAI 兼容接口，支持流式输出、批处理、动态 batching |
| ✅ 评测体系 | 基于 EvalScope 构建评测后端，覆盖 C-Eval、MMLU、GSM8K、BBH、HumanEval、MATH、MMMU、SEED-Bench 等 100+ 测评基准 |
| ✅ 量化导出 | 支持 AWQ、GPTQ、FP8、BNB INT4/INT8 模型导出，导出后仍可使用 vLLM/LmDeploy 加速推理或进行后续训练 |
🔧 快速开始指南
在真实环境中体验“大模型 + 街机模拟”的双重快感！
第一步：选择运行环境
请根据你将要加载的模型规模评估所需显存：
| 模型大小 | 最低显存要求 | 推荐实例配置 |
|---|---|---|
| 7B 参数 | ≥16GB GPU RAM | A10 或 T4 实例 |
| 13B 参数 | ≥24GB GPU RAM | A100 (40G) |
| 34B+ 参数 | ≥80GB GPU RAM | H100 / A100x8 集群 |
| 多模态大模型 | ≥48GB GPU RAM | A100 / H100 |
👉前往平台右侧新建对应规格实例
第二步：执行初始化脚本
在实例终端中运行以下命令：
/root/yichuidingyin.sh该脚本名为“一锤定音”，寓意一键搞定所有复杂流程。它将自动完成以下操作：
- 环境依赖检测与安装
- CUDA/cuDNN/Torch 版本校验
- 自动挂载共享存储空间
- 初始化 ms-swift 运行时环境
- 展示交互式菜单：【模型下载】｜【启动训练】｜【开始推理】｜【执行评测】｜【量化压缩】
第三步：按提示操作
脚本运行后会进入图形化选择界面，请根据需求依次操作：
📥 下载模型权重
[1] 选择模型家族： → qwen → llama3 → chatglm → internlm2 → yi → phi3 → mixtral → stable-diffusion-xl → cogvlm ...支持全球主流开源模型仓库直连下载（ModelScope、HuggingFace、AI Studio），无需手动配置 token 或 git-lfs。
⚙️ 执行训练任务
支持多种训练模式切换：
[2] 选择训练类型： → Pretrain（预训练） → SFT（指令微调） → RLHF（奖励建模 + PPO） → DPO/KTO/CPO/ORPO（直接偏好优化） → QLoRA 微调（低资源适配） → MultiModal-VQA（视觉问答联合训练）配置文件模板已内置，仅需修改少量超参即可提交训练作业。
▶️ 启动模型推理
[3] 启动推理服务： → CLI 交互模式 → WebUI 图形界面（Gradio） → OpenAI API Server（兼容 v1/chat/completions） → 流式输出开关启动后可通过本地浏览器访问http://localhost:7860进行对话测试。
📊 开始模型评测
[4] 选择评测数据集： → C-Eval（中文知识） → MMLU（英文通识） → GSM8K（数学推理） → HumanEval（代码生成） → MMMU（多模态理解） → SEED-Bench（视频问答）评测结果将自动生成 JSON 报告并保存至/results/目录。
🔽 模型量化导出
[5] 选择量化方式： → GPTQ int4（最小体积） → AWQ int4（最佳性能平衡） → FP8（高精度压缩） → BNB int8/int4（训练友好型）导出后的模型可直接用于移动端部署或边缘计算设备。
🎮 彩蛋功能：MAME 0.116 街机模拟器联动
作为致敬经典的彩蛋，我们在系统底层集成了MAME 0.116模拟核心，搭配 Ryuko-NEHT 团队整理的经典 ROM 包，让你在等待模型训练的同时也能回味童年。
如何启动街机游戏？
# 列出所有可用游戏 mame -listroms | grep mgd2 # 启动《拳皇97》MGD2版 mame kof97mg # 启动《合金弹头3》法语翻译版 mame mslug3fr # 查看支持的所有 hack 版本 cat /opt/mame/dats/Ryuko-NEHT-Reloaded.dat | grep description当前共收录478 款经典 NeoGeo 游戏 ROM，包含大量稀有 Boss Hack、Remix、Plus 和语言移植版本。
📚 支持的模型和数据集清单
📌官方完整支持列表详见文档：
🔗 https://swift.readthedocs.io/zh-cn/latest/Instruction/%E6%94%AF%E6%8C%81%E7%9A%84%E6%A8%A1%E5%9E%8B%E5%92%8C%E6%95%B0%E6%8D%AE%E9%9B%86.html
常见支持模型举例：
| 模型名称 | 类型 | 是否支持 |
|---|---|---|
| Qwen-7B / Qwen-72B | 文本生成 | ✅ |
| Llama3-8B / Llama3-70B | 文本生成 | ✅ |
| ChatGLM3-6B / GLM4-9B | 中文对话 | ✅ |
| InternLM2-7B / 20B | 全能模型 | ✅ |
| Yi-6B / Yi-34B | 多语言强基座 | ✅ |
| Phi-3-mini / Phi-3-medium | 小尺寸高性能 | ✅ |
| Mixtral-8x7B | MoE 混合专家 | ✅ |
| Stable Diffusion XL | 图像生成 | ✅ |
| CogVLM / CogAgent | 视觉语言模型 | ✅ |
| Whisper-large-v3 | 语音识别 | ✅ |
| Emu3 | All-to-All 全模态 | ✅ |
主流评测数据集支持情况：
| 数据集 | 描述 | 是否支持 |
|---|---|---|
| C-Eval | 中文综合知识测评 | ✅ |
| MMLU | 英文学科知识测评 | ✅ |
| CEval | 多学科中文测试 | ✅ |
| CMMLU | 中英双语知识图谱 | ✅ |
| GSM8K | 数学应用题求解 | ✅ |
| MATH | 高阶数学证明 | ✅ |
| BBH | 复杂推理任务 | ✅ |
| HumanEval | Python 编程能力 | ✅ |
| MBPP | 小规模编程任务 | ✅ |
| MMMU | 多模态多选题 | ✅ |
| SEED-Bench | 视频内容理解 | ✅ |
| ImageNet Zero-Shot | 图像分类零样本 | ✅ |
💡 使用技巧与最佳实践
1. 多卡训练自动分配
使用如下命令启用 DeepSpeed ZeRO-3 多卡训练：
export CUDA_VISIBLE_DEVICES=0,1,2,3 swift sft \ --model_type qwen-7b \ --dataset alpaca-en \ --deepspeed zero3 \ --lora_rank 64 \ --num_train_epochs 32. QLoRA + GPTQ 联合训练
对于显存有限但希望微调量化模型的用户：
swift sft \ --model_type llama3-8b-instruct \ --quant_method gptq \ --quant_bits 4 \ --adapter_type qlora \ --use_flash_attn true \ --max_length 40963. 快速部署 OpenAI API 服务
一键开启兼容 OpenAI 接口的服务端：
swift infer \ --model_type qwen-7b-chat \ --infer_backend vllm \ --port 8080 \ --openai_api_server之后即可通过标准请求调用：
from openai import OpenAI client = OpenAI(base_url="http://localhost:8080/v1", api_key="none") response = client.chat.completions.create( model="qwen-7b-chat", messages=[{"role": "user", "content": "你好！"}] ) print(response.choices[0].message.content)❓ 遇到问题怎么办？
两种方式解决常见问题：
1. 查阅官方文档
📘 完整技术文档地址：
👉 https://swift.readthedocs.io/zh-cn/latest/
包含：
- 安装指南
- 配置参数详解
- 故障排查手册
- 自定义插件开发教程
- 分布式训练最佳实践
2. 社区支持渠道
加入以下社群获取实时帮助：
- 钉钉群号：2836981677
- GitHub Issues：https://github.com/modelscope/ms-swift/issues
- Discord Channel：#ms-swift-support
🤝 致谢
感谢 ModelScope 团队的付出和努力！
正是由于你们持续推动国产大模型生态建设，才使得ms-swift成为可能。我们也致敬 Ryuko-NEHT 团队对经典游戏文化的传承与保护，让怀旧与创新在此交汇。
🔄 更新日志（v0.116-reloaded）
| 版本 | 时间 | 更新内容 |
|---|---|---|
| v0.116.0 | 2024-03-15 | 初始发布，集成 MAME 0.116 与 ms-swift v1.0.0 |
| v0.116.1 | 2024-04-02 | 新增多模态训练支持，升级 vLLM 至 0.4.1 |
| v0.116.2 | 2024-05-10 | 支持 ORPO、SimPO、CPO 新增对齐算法 |
| v0.116.3 | 2024-06-13 | 加入 HuggingFace TGI 兼容层，优化推理延迟 |
🎮现在就启动你的实例，运行/root/yichuidingyin.sh，开启属于你的“一锤定音”之旅吧！
无论是训练一个专属的大模型助手，还是重温儿时的街机热血战斗，这里都为你准备好了舞台。
Ryuko-NEHT Reloaded! 不止是回忆，更是未来。
