盘点开源大语言模型LLMs

1.大语言模型演化

上图是来自Harnessing the Power of LLMs in Practice A Survey on ChatGPT and Beyond, 该图很好的概述了自然语言模型的演化。

由此可知，自然语言处理（NLP）在Transformer出现之前以词向量为代表的模型：word2vec。

所谓word2vec就是一个词用一个紧凑的向量的来表示（而不是一个one-hot编码），可以认为是将一个one-hot映射到一个低维空间中；那如何映射才是有意义？谷歌在Efficient Estimation of Word Representations in Vector Space提出两个方法CBOW和skip-gram。两者的本质区别：

• CBOW是利用中心词的前面和后面的词（即上下文）来预测该中心词，从而得到一个向量
• skip-gram是跟进中心词去预测周围的词，skip-gram利用构建中心词矩阵和周围词矩阵，来建立中心词和周围词的关系从而得到词向量

在Transformer之后，出现了三个较大的分支，一个是以bert为代表的以decoder-only的模型，另一个是以GPT为代表的encoder模型；第三个分支则是encoder+decoder的模型（就是整个Transformer)，这里有清华系的GLM和chatGLM

各自的模型特点描述下：

简要的说：

• bert模型在预测时是做完形填空，即一句话，遮住某一个词，用未遮住的词来预测遮住的词，bert在预测时知道前面的词和后面的词，这一点和CBOW是很像的
• GPT模型则是词生成，用前面的词来预测后面的词，显然这比bert要难。

无疑，与人类知识对齐的ChatGPT获得的巨大的成功，但是chatGPT是封闭的，只提供API（GPT3也是封闭的），谷歌的Bard和PaLM也是封闭的。大厂里视乎只有meta提供了大模型的开源，如OPT、BLOOM、LLaMa。

2.开源GPT

有meta在前，开源社区对GPT也做出的很多优秀的工作，目的就是用更小的参数量来逼近chatGPT的效果，同时更友好的部署。

我们来看下有哪些值得关注的开源GPT

• 斯坦福大学的Alpaca
  首先是斯坦福大学的Alpaca（羊驼），目前的Alpaca模型是根据Self instruction论文中的技术生成的52K指令数据，在7B LLaMA模型进行微调的，并进行了一些修改。效果上，在一项初步的人类评估中，发现Alpaca 7B模型的表现与text-davinci-003（GPT3）模型相似。

• https://github.com/tatsu-lab/stanford_alpaca

• 清华系的ChatGLM-6B
  ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。

  ChatGLM同时实现了基于 P-Tuning v2 的高效参数微调方法 (使用指南) ，INT4 量化级别下最低只需 7GB 显存即可启动微调

  • https://github.com/THUDM/ChatGLM-6B

• Vicuna
  Vicuna: An Open-Source Chatbot Impressing GPT-4 with 90% ChatGPT Quality。

  受 Meta LLaMA 和 Stanford Alpaca 项目的启发，来自加州大学伯克利分校、CMU、斯坦福大学和加州大学圣地亚哥分校的成员，共同推出了一个 Vicuna-13B 开源聊天机器人，由增强的数据集和易于使用、可扩展的基础设施支持

  • https://github.com/lm-sys/FastChat

• MOSS
  MOSS是复旦大学的开源的一个拥有160亿参数的开源对话语言模型。它由约7000亿中英文及代码单词预训练得到，精度要求不那么高的话，甚至可以在单张3090显卡上运行

  • https://github.com/OpenLMLab/MOSS

• Lamini
  Lamini: The LLM engine for rapidly customizing models。来自斯坦福的一群开发者发布了 Lamini，号称可以为每个开发人员提供从 GPT-3 带到 ChatGPT 的超能力；使用Lamini，开发人员使用很多公司、机构的基础模型快速构建定制化模型。

- https://github.com/lamini-ai/lamini/

• mini-GPT4
  mini-GPT4提供了在Vicuna-7B上对齐的预训练模型。显存消耗可以低到12GB

- https://github.com/Vision-CAIR/MiniGPT-4

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​