Github
Huggingface【LLMs 入门实战系列】
【LLMs 入门实战系列】交流群 (注：人满 可 添加 小编wx：yzyykm666 加群！)
- 【LLMs 入门实战系列】
- 第一层 LLMs to Natural Language Processing (NLP)
- 第九层 LLMs to interview
- 第八层 LLMs to Inference acceleration
- 第二层 LLMs to Parameter Efficient Fine-Tuning (PEFT)
- 第三层 LLMs to Artifact
- 第四层 LLMs to Text-to-Image
- 第五层 LLMs to Visual Question Answering (VQA)
- 第六层 LLMs to Automatic Speech Recognition (ASR)
- 第七层 LLMs to Text To Speech (TTS)
- LLaMA 衍生物系列
- 知识体系
- 加入学习群
- 参考
第一层 LLMs to Natural Language Processing (NLP)
第一重 ChatGLM-6B 系列
ChatGLM2-6B
-
【ChatGLM2-6B入门】清华大学开源中文版ChatGLM-6B模型学习与实战
- 论文名称：ChatGLM2-6B: An Open Bilingual Chat LLM | 开源双语对话语言模型
- 论文地址：
- Github 代码：https://github.com/THUDM/ChatGLM2-6B
- 动机：在主要评估LLM模型中文能力的 C-Eval 榜单中，截至6月25日 ChatGLM2 模型以 71.1 的分数位居 Rank 0 ，ChatGLM2-6B 模型以 51.7 的分数位居 Rank 6，是榜单上排名最高的开源模型。
- 介绍：ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：
- 更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。
- 更长的上下文：基于 FlashAttention 技术，我们将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，我们会在后续迭代升级中着重进行优化。
- 更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，推理速度相比初代提升了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。
- 更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。如果您发现我们的开源模型对您的业务有用，我们欢迎您对下一代模型 ChatGLM3 研发的捐赠。
-
【关于 ChatGLM2 + LoRA 进行finetune 】那些你不知道的事
- 论文名称：ChatGLM2-6B: An Open Bilingual Chat LLM | 开源双语对话语言模型
- 论文地址：
- Github 代码：https://github.com/THUDM/ChatGLM2-6B
- 介绍：本教程主要介绍对于 ChatGLM2-6B 模型基于 LoRA 进行finetune。
-
【LLMs 入门实战 】基于 🤗PEFT 的高效 🤖ChatGLM2-6B 微调
- 微调方式：
- ChatGLM2-6B Freeze 微调：Fine-tuning the MLPs in the last n blocks of the model.
- ChatGLM2-6B P-Tuning V2 微调：Fine-tuning the prefix encoder of the model.
- ChatGLM2-6B LoRA 微调：Fine-tuning the low-rank adapters of the model.
- 微调方式：
-
【LLMs 入门实战】基于 🤗QLoRA 的高效 🤖ChatGLM2-6B 微调
- 介绍：本项目使用 https://github.com/huggingface/peft 库，实现了 ChatGLM2-6B 模型4bit的 QLoRA 高效微调，可以在一张RTX3060上完成全部微调过程。
ChatGLM3
-
- 论文名称：ChatGLM3
- Github 代码：https://github.com/THUDM/ChatGLM3
- 模型地址：
- huggingface：https://huggingface.co/THUDM/chatglm3-6b
- modelscope：https://modelscope.cn/models/ZhipuAI/chatglm3-6b/summary
- 动机：2023年10月26日，由中国计算机学会主办的2023中国计算机大会（CNCC）正式开幕，据了解，智谱AI于27日论坛上推出了全自研的第三代基座大模型ChatGLM3及相关系列产品，这也是智谱AI继推出千亿基座的对话模型ChatGLM和ChatGLM2之后的又一次重大突破。
- 介绍：ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：
- 更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在 10B 以下的基础模型中最强的性能。
- 更完整的功能支持： ChatGLM3-6B 采用了全新设计的 Prompt 格式，除正常的多轮对话外。同时原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务等复杂场景。
- 更全面的开源序列： 除了对话模型 ChatGLM3-6B 外，还开源了基础模型 ChatGLM3-6B-Base、长文本对话模型 ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。
-
【LLMs 入门实战】 ChatGLM3 模型微调学习与实战
- 论文名称：ChatGLM3
- Github 代码：https://github.com/THUDM/ChatGLM3
- 模型地址：
- huggingface：https://huggingface.co/THUDM/chatglm3-6b
