huawu矿业系统：Z.ai模型接入与行业训练路线
日期：2026年10月5日
状态：可行性研究与建议，未改变首期UI演示范围，未开始模型部署或训练
结论：可以采用Z.ai的开放权重模型，并在符合具体权重许可证和数据授权的条件下训练专用能力。推荐先建立任务基线和证据知识库，再对有稳定错误和专家样本的任务做专项微调。
本次核查官方权重卡、GitHub与官方教程。型号清单是候选，不是采购或训练承诺；真实矿业资料的效果仍需测试。模型规模、训练兼容性与资源安排应结合你们与Z.ai的合作条件确定。
业务适配判断
可以采用z.ai的开放权重模型作为真实系统的模型基础，私有部署与行业训练的具体可行性取决于选定权重的许可证、模型规模、训练工具及合作资源。首期UI mockup仍使用模拟内容；真实模型接入属于后续试点，不自动改变当前演示范围。
建议优先解决的问题
| 能力 | 矿业任务 | 适合的方式 | 专家确认 |
|---|---|---|---|
| 文档理解 | 从勘查、化验、选矿、矿权报告抽取字段、表格、单位、日期和分类 | OCR／视觉模型＋结构化抽取；失败样本积累后SFT | 关键字段及原文引用 |
| 证据检索 | 回答资源数据出处、不同版本差异和缺失资料 | 检索增强生成（RAG），引用精确到页及段落 | 资料适用范围与冲突处理 |
| 疑点识别 | 发现品位、资源类别、化验和权属描述的矛盾 | 规则检查＋模型提出线索，专家标注后训练 | 不能据矛盾直接认定造假 |
| 增值计划 | 根据关键未知提出补勘、复验、采选论证及许可核查任务 | 领域提示模板，积累专家认可任务后SFT | 可执行性、费用、前置条件 |
| 报告表达 | 组织事实、未知、假设、风险与下行情景 | 模板＋专业写作SFT，必要时偏好训练 | 不生成最终投资批准 |
| 收购与退出计算 | 权益桥接、公司支出、退出净回收、情景比较 | 确定性计算，模型调用和解释结果 | 口径、公式及输入 |
训练路径
- 基线：用现成模型在固定案例上执行任务，记录错误，明确哪些问题来自资料、OCR、检索、规则或模型。
- 知识增强：建立有版本的项目资料与行业知识库，结合规则，先提升来源定位和可追溯性。
- 专项SFT：以专家复核的输入—输出样本训练抽取、疑点整理、任务建议和报告表达；优先验证可用的LoRA或其他参数高效方案，兼容性由实际模型验证。
- 偏好训练：存在稳定专家偏好和足够的好／坏答案对时，考虑DPO；不能只以文字好看优化风险判断。
- 继续预训练：仅在专业语料充足、基础模型确有系统性术语或领域理解不足、收益能够测量且有算力支持时评估。不是首个必要步骤。
建议“先选模型并测任务，再决定训练”。正式矿业估值、法律意见、资源核验仍由专业人员承担。模型的作用是分析辅助，不形成储量真实性或收益保证。
数据与评测
训练样本包含原文、页码、字段单位、专家修正、问题依据、无法确认项及不利结果。保留模型不应作答的样本，不只训练成功项目和乐观解释。
训练、验证和测试按项目分开，同一报告的不同版本及同一项目的相似文档不能跨集合泄漏。比较现成模型、RAG版与微调版的实际差异。
衡量关键字段正确率、证据引用准确率、专家已知风险召回、误报、合理拒答、任务可执行性，以及成本、延迟和专家节省时间。保留固定测试集和独立算例；不把训练损失下降或投资盈利单独当作模型通过依据。
真实资料用于训练前需确认授权、保密、数据处理范围、权重与增量权重归属，以及z.ai合作中部署、维护和退出安排。这些属于实际合作方案，需要合同信息；目前没有可据以确认的协议内容。
合作优势的落点
优先与z.ai确认：可供私有部署的权重版本、矿业文档任务基准、训练支持与算力、推理优化、定期升级策略，以及数据和模型成果的归属。能够得到技术支持不等于每个模型都适合自行训练，也不意味着已有矿业专用模型可以直接购买。
下一阶段可增加“真实模型试点与训练路线”独立工作包，保留现有计算模块、证据对象和报告接口。模型结果通过结构化输出及校验后进入待核验数据，确认后才应用到估值参数。
官方资料核查附录
访问日期：2026-10-05。只读取官方 GitHub、官方 Hugging Face 模型卡与官方文档引用；未下载权重、安装环境或启动训练。以下是选择性候选清单，并非最新型号穷尽清单。
已验证的模型与权重许可
| 模型 | 官方标称规模 | 开放权重及许可证据 | 适用方向与限制 |
|---|---|---|---|
| GLM-OCR | 0.9B | 官方权重卡标 license: mit；官方仓库许可说明明确模型MIT、代码Apache-2.0，PP-DocLayoutV3布局组件Apache-2.0 |
中文及多语言文字、表格、公式识别；有布局分析和JSON/Markdown输出。它是文档识别模型，不能直接证明矿业推理能力。 |
| GLM-4.6V-Flash | 9B | 官方权重卡标MIT | 多模态文档、图表及页面理解；128K训练上下文，支持原生Function Calling，官方提供Transformers/vLLM/SGLang部署方式。矿业图件与复杂扫描资料的真实质量尚需专项评测。 |
| GLM-4.6V | 106B | 官方权重卡标MIT | 同系列大型多模态模型，官方定位云端及高性能集群。不要把它当低成本本地模型。 |
| GLM-4.7-Flash | 30B总参数、3B激活 | 官方权重卡标MIT | 文本推理、工具调用的中等规模候选；官方给出本地推理示例，不能以3B激活推定只需加载3B权重。模型卡没有给出本次可直接采用的微调硬件承诺。 |
| GLM-4.5 / GLM-4.5-Air | 355B/32B激活；106B/12B激活 | 官方模型卡及官方README明确模型系列MIT、可商业使用和二次开发；包含Base、推理及FP8版本 | 中文/英文文本推理与智能体；已有官方列举的第三方微调配置，仍有显著算力要求。 |
| GLM-5 | 744B总参数、40B激活 | 官方权重卡标MIT；权重仓库有safetensors分片 | 旗舰文本推理和智能体候选；官方提供vLLM/SGLang/KTransformers等自部署入口。未在本次所读官方卡中找到可直接采用的业务微调硬件表。 |
| GLM-4-9B-0414 | 9B | 指定版本官方权重卡标MIT | 有明确微调教程的较小文本候选；官方README同时提醒此9B版本未得到32B版本同等智能体能力增强，不应默认能承担复杂综合分析。 |
许可证必须按具体模型版本核实。不能用早期GLM版本许可证、API名称、GitHub代码许可证替代当前权重许可证。GLM-5代码LICENSE、GLM-4.5代码LICENSE、GLM-V代码LICENSE均为Apache-2.0，而上述权重卡标MIT。MIT通常允许商业使用、修改及分发，并要求保留版权及许可声明；它没有要求必须公开自有微调成果。训练资料的使用权不由模型许可授予，合作合同、数据授权和部署组件仍需分别确认。权重库未找到独立LICENSE文件的型号，本次权重许可依据是官方发布的模型卡，正式投产时应固化版本、许可证据并向合作方确认。
微调支持：哪些是官方教程，哪些是第三方框架
- GLM-OCR：官方提供教程，训练框架是第三方LLaMA-Factory。 官方教程给出多模态ShareGPT数据、文字/表格/公式任务提示、LoRA和SFT示例。官方示例标LoRA单卡显存≥8GB、full fine-tuning≥24GB。但所列full配置冻结视觉编码器及跨模态投影器，仅训练语言模型部分，因此不能宣传为全部参数均更新。显存数字是教程配置，增加分辨率、序列长度、batch后不能沿用为保证。
- GLM-4.5/Air：官方README列举第三方LLaMA-Factory与ms-swift配置。 证据：LLaMA-Factory LoRA，4.5用16张H100，Air用4张H100，batch每卡1；ms-swift LoRA分别16/4张96GiB H20，SFT/RL分别128/32张H20。这证明有路径，绝不意味着普通工作站可廉价训练旗舰。
- GLM-4-9B-0414：官方微调资料与仓库脚本。 硬件与微调README列LLaMA-Factory LoRA约22GB显存/单卡，SFT ZeRO3约55GB每卡/4卡；测试环境为H100 80GB、512GB内存。它是较易验证训练流程的文本候选，效果要对真实任务评测。
- GLM-4.6V/Flash：本次确认开放权重及自部署，不宣称已确认专项微调教程。 GLM-V README微调段落明确列的是GLM-4.5V和GLM-4.1V-9B-Thinking支持LLaMA-Factory；不能把这段直接外推为GLM-4.6V/Flash当前版本支持。可以向Z.ai确认或另行核查第三方框架最新支持后做最小试验。
- GLM-5：官方说明使用slime进行大规模异步RL后训练。 权重卡、slime仓库是证据。这不构成“已提供矿业微调开箱流程”或低成本训练承诺。对于矿业首期，不建议从旗舰全量训练起步。
自部署的真实边界
- GLM-4.5/Air官方硬件表：在规定的MTP、不CPU-offload、batch≤8及FP8硬件等条件下，Air FP8列2张H100/1张H200；128K上下文列4张H100/2张H200。模型加载需服务器内存>1TB。不能省略条件或把推理配置当训练配置。
- GLM-5官方命令示例采用张量并行8；“8”是示例参数而非“任意8张GPU就够”的硬件保证。本次未取得可直接引用的完整GPU容量表，具体采购需与Z.ai测算上下文、并发、量化和延迟。
- GLM-OCR官方支持云API和本地vLLM/SGLang/Ollama/MLX等入口；云API会将文档发送到服务端，本地部署是另一种数据路径，应分开规划。
- GLM-4.6V-Flash卡没有本次可直接采用的明确最小显存承诺；不要凭9B给出单卡型号保证。
- 参数数字使用官方标称口径。本次HF API统计GLM-OCR实际safetensors元素数与0.9B宣传口径存在差异，GLM-5也有类似总量差异，可能包含辅助预测模块等。本次不推定原因，硬件预算应以实际文件、配置和实测为准。
对矿业系统的结论及未验证项
可以以Z.ai开放权重作为基础：OCR/视觉模型处理资料，文本模型基于检索证据作抽取、矛盾提示和报告草稿，确定性程序负责单位换算与财务计算。以上是系统设计建议，官方基准未证明模型可自动认证矿产资源、法律有效性或收购价格。
优先验证GLM-OCR的矿业表格/化验单识别，及GLM-4.6V-Flash的地质图件/页面理解；主分析模型通过合作API或受控部署进行同一任务评测。积累专家纠正样本和独立测试集后，优先做针对识别、字段抽取、风险证据标注等窄任务的LoRA/SFT。不要把报告放进知识库等同训练，也不要把资源量写进权重代替可追溯、可更新证据。
待确认：合作可用模型与部署授权、训练数据权利、算力供给、模型版本与框架兼容性、真实矿业评测结果、私有化及云端数据条款。不存在已核查证据支持“微调后必然提升整体投资收益”的承诺。