开源模型下载这件事，看起来只是"点一下下载按钮"，但真到项目里跑起来，你会发现坑比想象中多得多。我自己刚开始接触大模型那会儿，以为下载模型就是复制个链接、跑个命令的事，结果第一次下Qwen的时候，磁盘爆了、第二次下Llama的时候，网络断了三次、第三次下Embedding模型的时候，下完发现文件不完整，加载直接报错。后来折腾久了才慢慢摸清楚，HuggingFace、ModelScope、魔搭这几个平台各有各的脾气，下载方式、缓存机制、文件结构、断点续传策略都不一样。这篇内容就是把我这些年下载开源模型踩过的坑、总结出来的方法，完整地梳理一遍，不管你是刚入门的新手，还是已经用过几个模型的老手，应该都能从中找到一些之前没注意到的细节。
1. 先搞清楚这三个平台到底是什么关系
很多人第一次看到HuggingFace、ModelScope、魔搭这三个名字的时候，会以为它们是三个完全独立的平台，各管各的。实际上，ModelScope和魔搭是同一个东西——魔搭是ModelScope的中文名，就像HuggingFace有时候被叫做"抱脸"一样，只是叫法不同。所以真正需要区分的，其实是HuggingFace和ModelScope这两个平台。
1.1 HuggingFace的定位和特点
HuggingFace是全球最大的开源模型托管平台，基本上你能想到的开源模型，上面都能找到。它的模型库覆盖了NLP、CV、语音、多模态等几乎所有方向，而且更新速度非常快，很多模型刚发布几小时内就会有人上传。它的优势在于生态完整，transformers、diffusers、datasets这些库都是它家的，模型卡片、讨论区、推理API这些配套功能也很成熟。
但问题也很明显——服务器在海外，国内访问速度不稳定。有时候下载一个几百MB的模型，速度能跑到几MB/s，有时候直接卡在几百KB/s甚至断连。尤其是大模型动辄几十GB，网络一断就得重来，非常折磨人。所以国内开发者用HuggingFace，基本都要配合镜像站或者用其他方式加速。
1.2 ModelScope（魔搭）的定位和特点
ModelScope是阿里达摩院推出的模型开放平台，中文名就是魔搭。它的定位和HuggingFace类似，但更偏向国内开发者。上面有大量国内团队上传的模型，比如通义千问系列、ChatGLM系列、百川系列等，也有很多从HuggingFace同步过来的模型。因为服务器在国内，下载速度通常很稳定，基本能跑满带宽。
ModelScope的另一个优势是和阿里云生态结合得比较紧密，如果你用PAI平台或者DashScope API，可以直接对接。它的SDK设计也参考了HuggingFace的风格，用起来不会太陌生。不过模型数量相比HuggingFace还是少一些，特别是一些比较小众或者刚发布的研究模型，可能上面还没有。
1.3 两个平台的核心差异对比
| 对比维度 | HuggingFace | ModelScope（魔搭） |
|---|---|---|
| 服务器位置 | 海外 | 国内 |
| 下载速度 | 不稳定，需加速 | 稳定，通常跑满带宽 |
| 模型数量 | 极多，覆盖全面 | 较多，偏国内模型 |
| 生态工具 | transformers/diffusers等 | modelscope库，兼容部分HF接口 |
| 模型更新速度 | 极快 | 较快，热门模型会同步 |
| 使用门槛 | 需要处理网络问题 | 国内直接可用 |
搞清楚这两个平台的关系和差异之后，接下来的问题就是：具体怎么下载？用命令行还是用代码？下载到哪里？怎么断点续传？这些才是真正影响效率的细节。
2. HuggingFace模型下载的几种姿势和各自的坑
HuggingFace下载模型的方式有好几种，从最原始的git clone到官方的huggingface-cli，再到Python代码里直接from_pretrained，每种方式适用的场景不一样，踩的坑也不一样。我下面按推荐程度从高到低来说。
2.1 用huggingface-cli下载：最推荐的方式
huggingface-cli是官方提供的命令行工具，安装很简单：
pip install -U "huggingface_hub[cli]"装好之后，下载一个模型的基本命令是：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct --local-dir ./qwen2.5-7b这个命令会把模型下载到当前目录下的qwen2.5-7b文件夹里。相比git clone，它的优势在于支持断点续传、可以只下载指定文件、下载速度更稳定。
如果你只想下载模型里的某几个文件，比如只需要config.json和模型权重，可以这样：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct --include "*.json" "*.safetensors" --local-dir ./qwen2.5-7b这里有个细节要注意：--include后面的模式匹配是大小写敏感的，而且支持通配符。如果你不确定模型里有哪些文件，可以先跑一下：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct --dry-run--dry-run会列出所有会下载的文件，但不会真正下载，方便你确认。
还有一个很实用的参数是--resume-download，不过新版本的huggingface-cli默认就支持断点续传了，不需要额外加这个参数。如果你下载到一半断了，重新跑同样的命令，它会自动从断点继续。
2.2 用Python代码下载：适合集成到脚本里
如果你是在Python脚本里下载模型，可以用snapshot_download：
from huggingface_hub import snapshot_download snapshot_download( repo_id="Qwen/Qwen2.5-7B-Instruct", local_dir="./qwen2.5-7b", local_dir_use_symlinks=False, resume_download=True )这里有几个参数值得说一下。local_dir_use_symlinks=False这个参数在新版本里已经废弃了，但如果你用的是老版本，建议设成False，否则下载下来的文件是符号链接，指向缓存目录，你移动文件夹的时候会出问题。resume_download=True是开启断点续传，不过新版本也默认开启了。
如果你只想下载特定文件，可以用allow_patterns和ignore_patterns：
snapshot_download( repo_id="Qwen/Qwen2.5-7B-Instruct", local_dir="./qwen2.5-7b", allow_patterns=["*.json", "*.safetensors"], ignore_patterns=["*.bin"] )这个在只需要部分文件的时候很有用，比如你只需要safetensors格式的权重，不想下bin格式的，就可以用ignore_patterns排除掉。
2.3 用git clone下载：不推荐但有时候不得不用
git clone是最原始的方式：
git lfs install git clone https://huggingface.co/Qwen/Qwen2.5-7B-Instruct这种方式的问题在于：第一，它会把整个仓库包括历史记录都克隆下来，占用空间更大；第二，断点续传支持不好，断了就得重新来；第三，大文件是通过git lfs管理的，有时候lfs会卡住。所以除非你有特殊需求，否则不建议用这种方式。
2.4 下载过程中的常见坑和解决办法
坑一：磁盘空间不够。大模型动辄几十GB，下载之前一定要先确认磁盘空间。可以用df -h看一下剩余空间。另外要注意，HuggingFace默认会把模型缓存到~/.cache/huggingface/hub目录下，如果你用--local-dir指定了目录，它还是会先在缓存目录下存一份，然后再复制过去。所以实际占用空间可能是模型大小的两倍。解决办法是设置环境变量HF_HOME或者HUGGINGFACE_HUB_CACHE，把缓存目录指到大盘上。
坑二：下载到一半断了，重新下发现文件不完整。这种情况通常是因为缓存目录里有残留的临时文件。解决办法是找到缓存目录下的blobs文件夹，把对应的.incomplete文件删掉，然后重新下载。
坑三：下载速度慢。这个前面说过了，国内访问HuggingFace速度不稳定。解决办法是用镜像站，具体怎么配置我后面会详细说。
坑四：权限问题。有些模型是gated的，需要先申请访问权限，然后在命令行里登录：
huggingface-cli login输入你的token之后才能下载。如果你没有token，可以去HuggingFace的设置页面生成一个。
3. ModelScope（魔搭）下载模型的完整流程
ModelScope的下载方式和HuggingFace有些类似，但细节上差别不小。它的SDK叫modelscope，安装命令是：
pip install modelscope3.1 用modelscope-cli下载
ModelScope也提供了命令行工具，不过相比HuggingFace的cli，它的功能要简单一些。基本用法是：
modelscope download --model Qwen/Qwen2.5-7B-Instruct --local_dir ./qwen2.5-7b这个命令会把模型下载到指定目录。和HuggingFace不同的是，ModelScope默认不会在缓存目录里再存一份，而是直接下载到你指定的目录，所以不会出现空间翻倍的问题。
如果你只想下载特定文件，可以用--include参数：
modelscope download --model Qwen/Qwen2.5-7B-Instruct --include "*.json" "*.safetensors" --local_dir ./qwen2.5-7b3.2 用Python代码下载
在Python里下载ModelScope的模型，可以用snapshot_download：
from modelscope import snapshot_download model_dir = snapshot_download( 'Qwen/Qwen2.5-7B-Instruct', cache_dir='./qwen2.5-7b' )注意这里的参数名是cache_dir而不是local_dir，和HuggingFace不一样。另外ModelScope的snapshot_download默认会返回模型在本地的路径，方便你后续加载。
3.3 ModelScope下载的注意事项
第一，模型ID的格式。ModelScope的模型ID通常是组织名/模型名的格式，比如Qwen/Qwen2.5-7B-Instruct。但有些模型是个人上传的，ID可能是用户名/模型名。如果你不确定模型ID，可以去ModelScope网站上搜一下，复制对应的ID。
第二，缓存目录。ModelScope默认的缓存目录是~/.cache/modelscope/hub，你可以通过设置环境变量MODELSCOPE_CACHE来修改。如果你经常下载大模型，建议把这个目录指到大盘上。
第三，断点续传。ModelScope的下载工具支持断点续传，但有时候会出现下载完成后文件校验不通过的情况。如果遇到这种情况，可以先把缓存目录下对应的模型文件夹删掉，然后重新下载。
第四，和HuggingFace的兼容性。ModelScope上有很多模型是从HuggingFace同步过来的，文件结构基本一致。但有些模型会做一些调整，比如把配置文件改名、把权重格式转换等。如果你从ModelScope下载的模型要放到HuggingFace的transformers里加载，可能需要手动调整一下文件结构。
4. 国内加速下载的几种实用方案
国内下载HuggingFace模型慢，这是大家都头疼的问题。我试过好几种方案，下面说说各自的效果和适用场景。
4.1 使用HF镜像站
最常用的方案是使用HuggingFace的镜像站。配置方法很简单，设置一个环境变量就行：
export HF_ENDPOINT=https://hf-mirror.com设置完之后，再用huggingface-cli或者Python代码下载，就会自动走镜像站。这个方案的好处是配置简单，不需要额外装什么东西。缺点是镜像站有时候会同步延迟，刚发布的模型可能还没有。
如果你是在Python代码里用，可以在导入huggingface_hub之前设置：
import os os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com' from huggingface_hub import snapshot_download snapshot_download(...)注意这个环境变量必须在导入huggingface_hub之前设置，否则不生效。
4.2 使用ModelScope作为替代源
如果你要下载的模型在ModelScope上也有，那直接走ModelScope下载是最省事的。很多热门模型，比如Qwen系列、ChatGLM系列、Llama系列，ModelScope上都有同步。下载速度稳定，也不用折腾镜像配置。
但要注意，ModelScope上的模型版本可能和HuggingFace上的不完全一致。有些模型在ModelScope上会做一些优化，比如量化版本、裁剪版本等。下载之前最好看一下模型卡片，确认版本是否符合你的需求。
4.3 用huggingface-cli的传输加速功能
新版本的huggingface-cli支持--hf-transfer参数，可以启用传输加速：
pip install hf_transfer export HF_HUB_ENABLE_HF_TRANSFER=1 huggingface-cli download Qwen/Qwen2.5-7B-Instruct --local-dir ./qwen2.5-7bhf_transfer是用Rust写的一个传输库，下载速度比默认的快不少。不过它和镜像站有时候会冲突，如果你同时用了镜像站和hf_transfer，可能会出现下载失败的情况。建议先试镜像站，如果速度还是不行，再试hf_transfer。
4.4 几种方案的对比
| 方案 | 配置难度 | 下载速度 | 适用场景 |
|---|---|---|---|
| HF镜像站 | 低 | 中等偏快 | 通用场景，模型在镜像站有同步 |
| ModelScope替代 | 低 | 快 | 模型在ModelScope上有 |
| hf_transfer | 中 | 快 | 镜像站速度不理想时 |
| 手动下载 | 高 | 取决于网络 | 小文件或特殊需求 |
5. 下载之后的文件结构解析和加载验证
模型下载完了，不代表就能直接用。很多时候加载报错，问题就出在文件结构上。这一节我说说下载后的目录里都有什么，以及怎么验证模型能不能正常加载。
5.1 典型的模型目录结构
一个标准的HuggingFace模型目录通常长这样：
qwen2.5-7b/ ├── config.json ├── generation_config.json ├── model.safetensors ├── model.safetensors.index.json ├── tokenizer.json ├── tokenizer_config.json ├── vocab.json ├── merges.txt └── special_tokens_map.json几个关键文件的作用：
config.json：模型的结构配置，包括层数、隐藏维度、注意力头数等。加载模型时首先读这个文件。model.safetensors或pytorch_model.bin：模型权重。safetensors格式更安全、加载更快，推荐优先用这个。model.safetensors.index.json：如果模型太大被切分成多个文件，这个索引文件会记录每个权重在哪个分片里。tokenizer.json和tokenizer_config.json：分词器的配置和词表。generation_config.json：生成参数，比如默认的max_length、temperature等。
5.2 验证模型能否正常加载
下载完之后，建议先跑一个简单的加载测试：
from transformers import AutoModelForCausalLM, AutoTokenizer model_path = "./qwen2.5-7b" tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained( model_path, trust_remote_code=True, device_map="auto" ) input_text = "你好，请介绍一下你自己。" inputs = tokenizer(input_text, return_tensors="pt") outputs = model.generate(**inputs, max_new_tokens=100) print(tokenizer.decode(outputs[0], skip_special_tokens=True))如果这段代码能跑通，说明模型下载完整、文件结构正确。如果报错，根据错误信息排查：
OSError: Unable to load weights：权重文件不完整或格式不对，检查safetensors文件大小是否和模型卡片上标注的一致。KeyError: 'xxx'：config.json里缺少某个字段，可能是下载不完整或者版本不匹配。ImportError: cannot import name 'xxx'：transformers版本太老，升级一下。
5.3 常见加载报错和解决办法
报错一：trust_remote_code相关。很多国内模型需要设置trust_remote_code=True才能加载，因为它们的模型代码不在transformers库里，而是随模型一起下载的。如果你不设这个参数，会报错说找不到模型类。
报错二：显存不够。大模型加载需要大量显存，如果显存不够，可以用device_map="auto"让transformers自动分配，或者用load_in_8bit=True、load_in_4bit=True做量化加载。不过量化加载需要装bitsandbytes库。
报错三：文件权限问题。如果你是在Linux上，下载的模型文件权限可能不对，导致加载时报Permission denied。解决办法是chmod -R 755一下模型目录。
报错四：路径问题。如果你用相对路径加载模型，要注意当前工作目录。建议用绝对路径，避免因为目录切换导致找不到模型。
6. 大模型下载的磁盘管理和缓存清理
下载大模型最容易被忽视的问题就是磁盘管理。一个7B的模型，safetensors格式大概14GB左右，加上缓存目录里的副本，实际占用可能接近30GB。如果你同时下好几个模型，磁盘很快就满了。
6.1 缓存目录的机制
HuggingFace的缓存机制是这样的：默认情况下，模型会先下载到~/.cache/huggingface/hub目录下，然后如果你指定了--local-dir，它会从缓存目录复制一份过去。所以实际占用是模型大小的两倍。如果你不想占用两份空间，可以设置HF_HUB_CACHE环境变量，把缓存目录指到和local-dir同一个盘上，或者直接用--local-dir配合local_dir_use_symlinks=False（老版本）来避免复制。
ModelScope的缓存机制简单一些，默认直接下载到~/.cache/modelscope/hub，如果你指定了cache_dir，就直接下载到指定目录，不会额外存一份。
6.2 清理缓存的正确姿势
如果你确定某个模型不再需要了，可以清理缓存。HuggingFace提供了命令行工具：
huggingface-cli delete-cache这个命令会列出所有缓存的模型，让你选择删除哪些。不过它删除的是缓存目录里的文件，如果你用--local-dir下载的模型，还需要手动删除local-dir目录。
ModelScope没有类似的清理工具，需要手动删除~/.cache/modelscope/hub下对应的文件夹。
6.3 磁盘空间规划建议
如果你经常下载大模型，建议单独挂一块大盘，把缓存目录和模型存储目录都指到这块盘上。具体做法是设置环境变量：
export HF_HOME=/data/huggingface export MODELSCOPE_CACHE=/data/modelscope然后把这些环境变量写到~/.bashrc或者~/.zshrc里，这样每次登录都会自动生效。
另外，下载之前一定要先确认磁盘空间。可以用df -h看剩余空间，用du -sh看某个目录占用了多少。对于大模型，建议预留至少模型大小两倍的空间，避免下载到一半空间不够。
7. 几个实际下载场景的完整操作记录
前面说了很多原理和注意事项，这一节我用几个实际场景，把完整的操作流程串一遍。你可以直接照着做。
7.1 场景一：从HuggingFace下载Qwen2.5-7B到本地
假设你要下载Qwen2.5-7B-Instruct模型，存到/data/models/qwen2.5-7b目录下。
第一步，确认磁盘空间：
df -h /data确保/data至少有30GB可用空间。
第二步，设置镜像站和缓存目录：
export HF_ENDPOINT=https://hf-mirror.com export HF_HOME=/data/huggingface_cache第三步，安装huggingface-cli：
pip install -U "huggingface_hub[cli]"第四步，下载模型：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct \ --local-dir /data/models/qwen2.5-7b \ --include "*.json" "*.safetensors" "*.txt"第五步，验证下载结果：
ls -lh /data/models/qwen2.5-7b检查文件是否齐全，特别是safetensors文件的大小是否和模型卡片上标注的一致。
第六步，跑一个加载测试：
from transformers import AutoModelForCausalLM, AutoTokenizer model_path = "/data/models/qwen2.5-7b" tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_path, trust_remote_code=True, device_map="auto") inputs = tokenizer("你好", return_tensors="pt") outputs = model.generate(**inputs, max_new_tokens=50) print(tokenizer.decode(outputs[0], skip_special_tokens=True))7.2 场景二：从ModelScope下载模型并加载
假设你要从ModelScope下载Qwen2.5-7B-Instruct，存到/data/models/qwen2.5-7b-ms。
第一步，安装modelscope：
pip install modelscope第二步，设置缓存目录：
export MODELSCOPE_CACHE=/data/modelscope_cache第三步，下载模型：
modelscope download --model Qwen/Qwen2.5-7B-Instruct --local_dir /data/models/qwen2.5-7b-ms第四步，验证并加载：
from modelscope import snapshot_download from transformers import AutoModelForCausalLM, AutoTokenizer model_dir = snapshot_download('Qwen/Qwen2.5-7B-Instruct', cache_dir='/data/models/qwen2.5-7b-ms') tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_dir, trust_remote_code=True, device_map="auto")7.3 场景三：只下载模型的部分文件
有时候你只需要模型的配置文件，或者只需要tokenizer，不需要完整的权重。这时候可以用include参数：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct \ --include "config.json" "tokenizer*" "*.txt" \ --local-dir /data/models/qwen2.5-7b-config这样只会下载配置文件和tokenizer相关的文件，不会下载权重，节省大量空间和时间。
8. 一些容易被忽略但很关键的细节
最后这一节，我说几个平时容易忽略但实际很关键的细节。这些细节在官方文档里通常不会写，但踩过坑之后就会印象深刻。
8.1 模型版本和commit hash
HuggingFace上的模型是可以有多个版本的，每次更新都会生成一个新的commit hash。如果你在代码里直接写模型ID，默认下载的是最新版本。但有时候最新版本可能有bug，或者和你用的transformers版本不兼容。这时候可以指定commit hash：
huggingface-cli download Qwen/Qwen2.5-7B-Instruct --revision abc123def --local-dir ./qwen2.5-7b在Python代码里也可以指定：
snapshot_download( repo_id="Qwen/Qwen2.5-7B-Instruct", revision="abc123def", local_dir="./qwen2.5-7b" )这个在复现实验或者生产环境里很重要，可以保证每次下载的都是同一个版本。
8.2 模型文件的完整性校验
下载完成后，建议做一次完整性校验。HuggingFace的模型卡片上通常会标注每个文件的大小，你可以用ls -lh看一下实际文件大小是否一致。另外，safetensors文件可以用safetensors库来校验：
from safetensors import safe_open with safe_open("./qwen2.5-7b/model.safetensors", framework="pt") as f: for key in f.keys(): print(key, f.get_slice(key).get_shape())如果文件损坏，这一步会报错。
8.3 多文件模型的下载顺序
有些大模型会被切分成多个safetensors文件，比如model-00001-of-00004.safetensors、model-00002-of-00004.safetensors等。下载的时候要确保所有分片都下载完整，缺一个都会导致加载失败。huggingface-cli会自动处理这些分片，但如果你手动下载，一定要注意不要漏掉。
8.4 网络代理的配置
如果你在公司内网或者有特殊网络环境，可能需要配置代理才能访问HuggingFace。配置方法是在环境变量里设置：
export HTTP_PROXY=http://your-proxy:port export HTTPS_PROXY=http://your-proxy:port不过要注意，代理配置可能会和镜像站冲突。如果你用了镜像站，通常不需要再配代理。
8.5 模型下载后的目录权限
在Linux系统上，下载的模型文件默认权限可能是rw-r--r--，如果你用其他用户来加载模型，可能会遇到权限问题。解决办法是：
chmod -R 755 /data/models/qwen2.5-7b chown -R your_user:your_group /data/models/qwen2.5-7b这个在多用户共享的服务器上尤其重要。
8.6 关于模型格式的选择
HuggingFace上的模型通常提供多种格式：pytorch_model.bin、model.safetensors、tf_model.h5等。优先选safetensors格式，因为它加载更快、更安全（不会执行任意代码）。如果只有bin格式，也可以用，但要注意bin格式是通过pickle序列化的，存在一定的安全风险，尽量从可信来源下载。
8.7 下载速度的优化组合
如果你试了镜像站还是慢，可以试试组合方案：镜像站 + hf_transfer。配置方法是：
export HF_ENDPOINT=https://hf-mirror.com export HF_HUB_ENABLE_HF_TRANSFER=1 pip install hf_transfer然后正常用huggingface-cli下载。这个组合我实测下来，速度比单用镜像站快不少，但偶尔会出现下载失败的情况，如果失败了就把HF_HUB_ENABLE_HF_TRANSFER去掉，用纯镜像站重试。
8.8 关于ModelScope的模型ID映射
有些模型在HuggingFace和ModelScope上的ID不一样。比如HuggingFace上的Qwen/Qwen2.5-7B-Instruct，在ModelScope上也是Qwen/Qwen2.5-7B-Instruct，这个是一致的。但有些模型，比如Llama系列，在HuggingFace上是meta-llama/Llama-3.1-8B，在ModelScope上可能是LLM-Research/Meta-Llama-3.1-8B。下载之前最好去ModelScope网站上确认一下模型ID。
8.9 关于下载中断后的恢复
如果你下载到一半断了，重新跑同样的命令，huggingface-cli会自动从断点继续。但有时候会出现缓存文件损坏的情况，这时候需要手动清理。具体做法是找到缓存目录下的blobs文件夹，删除对应的.incomplete文件，然后重新下载。ModelScope的断点续传有时候不太稳定，如果反复失败，建议删掉整个模型目录重新下载。
8.10 关于模型加载时的内存占用
下载模型只是第一步，加载模型才是真正吃内存的地方。一个7B的模型，用fp16加载大概需要14GB显存，用int8量化加载大概需要7GB，用int4量化大概需要4GB。如果你的显存不够，可以考虑用量化加载，或者用CPU加载（速度会慢很多）。具体用哪种方式，要根据你的硬件条件和实际需求来定。
我在实际使用中最大的体会是，下载模型这件事，看起来简单，但细节特别多。尤其是国内网络环境下，HuggingFace和ModelScope各有各的适用场景，不能一刀切。我的建议是：热门模型优先看ModelScope上有没有，有就直接从ModelScope下，省心省力；如果没有，再用HuggingFace配合镜像站下载。下载之前一定要确认磁盘空间，下载之后一定要做加载测试，这两个步骤能帮你避开大部分坑。另外，养成设置缓存目录的习惯，把模型和缓存都放到大盘上，避免系统盘被撑爆。这些经验都是踩过坑之后总结出来的，希望能帮你少走一些弯路。
