打开 AI 模型的仓库，main、dev、v1.5 分支让人眼花缭乱。选错分支，轻则功能对不上，重则训练脚本直接报错。
挑选原则：生产求稳，尝鲜求新
要上线、要复现、要长期维护，选稳定分支加固定版本号；要试新功能、做研究对比，再碰实验分支。仓库里的命名规则各家不同，但「稳定」和「实验」的区分逻辑是通用的。
可带走的判断是：先把用途说出口——是生产还是实验——再打开仓库，选择困难立刻少一半。
稳定分支与实验分支的区别
稳定分支通常经过完整测试，有明确的版本号和变更记录，接口、默认配置、依赖版本都相对固定。实验分支可能每天都在提交，昨天能跑的脚本今天就可能失效。
在 ModelScope、Hugging Face 这类平台上，模型主页一般会标注推荐版本和最近更新时间。看到「持续更新中」字样，就要意识到它离生产环境还有距离。
两类分支的差别不只在名字，逐项对照更清楚。
| 对比项 | 稳定分支 | 实验分支 |
|---|---|---|
| 测试与变更记录 | 经过完整测试，有明确的版本号和变更记录 | 可能每天都在提交，变更记录跟不上 |
| 接口与默认配置 | 接口、默认配置相对固定 | 接口易变，昨天能跑的脚本今天可能失效 |
| 依赖版本 | 依赖版本相对固定 | 依赖跟着提交一起漂移 |
| 平台标注 | 主页一般标注推荐版本和最近更新时间 | 常见「持续更新中」字样，离生产环境还有距离 |
| 适用场景 | 上线、复现、长期维护 | 试新功能、做研究对比 |
版本号背后的兼容性账
版本号不只是数字大小。同一个大版本下的小版本通常保持接口兼容，跨大版本则可能改架构、改词表、改对话模板。用旧脚本跑新模型，最常见的事故就是模板对不上，输出质量断崖式下滑。
量化格式也是版本选择的一部分。同一个仓库里可能同时放着 FP16、Q8、Q4 多个规格，文件体积差好几倍，对显存的要求也完全不同。下载前先确认自己的硬件够不够，别下完才发现跑不起来。
固定版本还有一个隐性好处：实验结果可复现。月底复盘时，你能说清当时用的是哪一份权重，而不是「大概是最新版」。
命名混乱是常态。有的仓库用 main 表示最新开发，有的用 dev；有的把版本号挂在分支名上，有的只打 tag。看不懂命名的时候，看提交历史最诚实：最近一次正式提交是什么时候、改了什么，比任何命名规则都直观。
- 稳定分支：测试完整、版本清晰，适合生产
- 实验分支：更新频繁、接口易变，适合研究
- 版本号：记录迭代顺序，不记录能力排名
- 兼容性：跨大版本可能改架构和模板
下载前该看的几处信息
先看模型卡片里的许可证和用途说明，再看文件列表确认有没有你要的格式，最后看 Issues 区里大家集中反馈的问题。通义千问的开源家族就按不同规格分列了多个版本，挑选时先看清版本说明再下手。三处都过一遍，能避开大部分坑。
还有一类信息藏在讨论区：有人问「这个版本和上个版本差别大吗」，回答往往比变更日志更直白。翻十几分钟的讨论，常常能避开一个即将踩的坑。
还要留意模型卡片里的「推荐推理参数」。温度、top-p、重复惩罚这些默认值，是作者在自己评测集上调出来的，直接沿用能少走弯路。刻意把温度改得极小求稳，反而可能让输出变得呆板。
最后是备份意识。固定版本的意义在于可复现，前提是你把当时下载的文件、校验值、配置文件都存了下来。只记一个版本号，几个月后仓库更新，照样找不回当初的权重。镜像站的文件也未必和官方一致，比对哈希是最可靠的办法。
分支和版本只是选型的一环，权重来源同样要留心，可以对照社区微调版和官方原版的区别；同一家族常并列多个规格，满血版和蒸馏版差在哪也值得一并读；想进一步理解版本差异的本质，再看合并模型和原版的差别。
聊聊分支和版本选择的常见疑问
- 默认分支就一定适合我吗？：不一定，默认分支通常是通用场景，垂直任务要按卡片说明挑对应版本。
- 版本越新就越好吗？：新版本可能改掉了你依赖的旧行为，升级前先在评估集上跑一遍回归。
- 找不到版本说明怎么办？：看提交记录和 Issues，长期无更新的仓库要谨慎用于生产。
