OntoTune

用本体知识给大模型开小灶，让专业回答更靠谱

OntoTune 是一个面向大语言模型（LLM）的本体驱动自训练框架，旨在解决模型与领域知识对齐不足的问题。它利用本体（Ontology）结构来引导模型的自我训练过程，通过迭代生成和筛选高质量的训练数据，使模型更好地理解和遵循特定领域的语义约束。核心能力包括：将本体知识融入提示词构建、基于本体一致性的自动数据过滤、以及支持多轮自训练迭代。该框架适用于知识密集型任务，如医疗问答、法律文本理解等，能有效提升模型在专业领域的表现，同时减少对人工标注数据的依赖。项目代码基于Python实现，提供了与主流LLM（如LLaMA）的集成接口。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 50

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队zjukg

所属国家

官网地址

GitHubhttps://github.com/zjukg/OntoTune

定价模式free

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型knowledge,knowledge-graph,large-language-models,medical,medical-question-answering,ontology,ontotune,post-training

GitHub 星标★ 50

30天Star增速

HF 下载量

上线时间2025-01-23 00:00:00

最近更新2026-08-24 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

创新性地将本体结构融入自训练循环，提升领域对齐精度
自动生成与筛选训练数据，降低人工标注成本
基于WWW2025论文，方法有理论支撑，实现可复现

不足之处

项目处于早期，文档和社区支持待观察
依赖外部本体资源，构建门槛较高

适用场景

医疗领域问答系统，需严格遵循临床知识
法律文本分析，需精确理解法条关系
企业知识库智能检索，需对齐内部术语体系

替代项目

DeepOnto、OntoLLM、LLM-Onto

项目介绍

OntoTune 是模型训练领域的开源项目，由 zjukg 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 523 个项目，GitHub 星标数为 50。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-24。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：医疗领域问答系统，需严格遵循临床知识。同类可对比的替代方案包括 DeepOnto、OntoLLM、LLM-Onto。

上一篇：AutoTimes

下一篇：llamaduo