ChatGLM4部署教程（非常详细）零基础入门到精通，收藏这篇就够了

于 2024-12-26 14:59:05 发布
阅读量2.7k 收藏 23
点赞数 18
文章标签： 机器学习 人工智能 分布式 agi 风景
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85280106/article/details/144744813
版权

一、介绍

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中， GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言。还推出了支持 1M 上下文长度（约 200 万中文字符）的 GLM-4-9B-Chat-1M模型和基于 GLM-4-9B 的多模态模型 GLM-4V-9B。GLM-4V-9B 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 表现出超越 GPT-4-turbo-2024-04-09、Gemini 1.0 Pro、Qwen-VL-Max 和 Claude 3 Opus 的卓越性能。

GLM-4 开源模型旨在与开源社区一起推动大模型技术发展，恳请开发者和大家遵守 开源协议 ，勿将开源模型和代码及基于开源项目产生的衍生物用于任何可能给国家和社会带来危害的用途以及用于任何未经过安全评估和备案的服务。目前，其项目团队未基于 GLM-4 开源模型开发任何应用，包括网页端、安卓、苹果 iOS 及 Windows App 等应用。

尽管模型在训练的各个阶段都尽力确保数据的合规性和准确性，但由于 GLM-4-9B 模型规模较小，且模型受概率随机性因素影响，无法保证输出内容的准确。同时模型的输出容易被用户的输入误导。

更多详细信息见 Github 仓库。

二、部署过程

基础环境最低要求说明：

环境名称版本信息1版本信息2
Ubuntu22.04.4 LTS
CudaV12.1.105
Python3.10.83.12.4
NVIDIA CorporationRTX 3060 *2RTX 3090

1. 更新基础软件包

查看系统版本信息

\# 查看系统版本信息，包括ID（如ubuntu、centos等）、版本号、名称、版本号ID等  
cat /etc/os-release

配置 apt 国内源

\# 更新软件包列表  
apt-get update

这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，因为它确保了您获取的是最新版本的软件包。

\# 安装 Vim 编辑器  
apt-get install -y vim

这个命令用于安装 Vim 文本编辑器。-y 选项表示自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器，广泛用于编程和配置文件的编辑。

为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：

\# 备份现有的软件源列表  
cp /etc/apt/sources.list /etc/apt/sources.list.bak

这个命令将当前的 sources.list 文件复制为一个名为 sources.list.bak 的备份文件。这是一个好习惯，因为编辑 sources.list 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。

\# 编辑软件源列表文件  
vim /etc/apt/sources.list

这个命令使用 Vim 编辑器打开 sources.list 文件，以便您可以编辑它。这个文件包含了 APT（Advanced Package Tool）用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。

在 Vim 中，您可以使用方向键来移动光标，i 键进入插入模式（可以开始编辑文本），Esc 键退出插入模式，:wq 命令保存更改并退出 Vim，或 :q! 命令不保存更改并退出 Vim。

编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。

使用 Vim 编辑器打开 sources.list 文件，复制以下代码替换 sources.list里面的全部代码，配置 apt 国内阿里源。

deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse  
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse  
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse  
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse  
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse  
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse  
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse  
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse

安装常用软件和工具

\# 更新源列表，输入以下命令：  
apt-get update  
  
\# 更新系统软件包，输入以下命令：  
apt-get upgrade  
  
\# 安装常用软件和工具，输入以下命令：  
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential

出现以下页面，说明国内apt源已替换成功，且能正常安装apt软件和工具

2. 安装 NVIDIA CUDA Toolkit 12.1

  • 下载 CUDA Keyring ：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86\_64/cuda-keyring\_1.0-1\_all.deb

这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。

  • 安装 CUDA Keyring ：
dpkg -i cuda-keyring\_1.0-1\_all.deb

使用 dpkg 安装下载的密钥环。这是必要的，以便 apt 能够验证从 NVIDIA 仓库下载的软件包的签名。

  • 删除旧的 apt 密钥（如果必要） ：
apt-key del 7fa2af80

这一步可能不是必需的，除非您知道 7fa2af80 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。通常情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。

  • 更新 apt 包列表 ：
apt-get update

更新 apt 的软件包列表，以便包括刚刚通过 cuda-keyring 添加的 NVIDIA 仓库中的软件包。

  • 安装 CUDA Toolkit ：
apt-get -y install cuda-toolkit-12-1

出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功

注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。通常，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。

如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1的包（如果可用），或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。

请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。

  • 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量

编辑 ~/.bashrc 文件

\# 编辑 ~/.bashrc 文件  
vim ~/.bashrc

插入以下环境变量

\# 插入以下环境变量  
export PATH=/usr/local/cuda/bin:$PATH  
export LD\_LIBRARY\_PATH=/usr/local/cuda/lib64:$LD\_LIBRARY\_PATH

激活 ~/.bashrc 文件

\# 激活 ~/.bashrc 文件  
source ~/.bashrc

查看cuda系统环境变量

which nvcc  
nvcc -V

3. 安装 Miniconda

  • 下载 Miniconda 安装脚本 ：

  • 使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。

  • 运行 Miniconda 安装脚本 ：

  • 使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。

\# 下载 Miniconda 安装脚本  
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86\_64.sh  
  
\# 运行 Miniconda 安装脚本  
bash Miniconda3-latest-Linux-x86\_64.sh  
  
\# 初次安装需要激活 base 环境  
source ~/.bashrc

按下回车键（enter）

输入yes

输入yes

安装成功如下图所示

pip配置清华源加速

\# 编辑 /etc/pip.conf 文件  
vim  /etc/pip.conf

加入以下代码

\[global\]  
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

注意事项：

  • 请确保您的系统是 Linux x86_64 架构，因为下载的 Miniconda 版本是为该架构设计的。

  • 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。

  • 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。通常选择 “yes” 以完成安装和初始化。

  • 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。

  • 如果链接无法访问或解析失败，可能是因为网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。

4. 从 github 仓库克隆项目

  • 克隆存储库：

  • git clone https://github.com/THUDM/GLM-4

  • 这个命令使用 git clone 从指定的 GitHub 地址克隆 “GLM-4” 项目，默认情况下 Git 会克隆整个项目的所有提交历史。

  • 切换目录：

  • cd GLM-4

  • 这个命令使用 cd（change directory）命令切换当前工作目录到刚才克隆的 “GLM-4” 目录中。这意味着接下来执行的所有命令都是在该项目目录下执行。

\# 克隆 ChatGLM4 项目  
git clone https://github.com/THUDM/GLM-4 ChatGLM4  
  
\# 切换到克隆的项目目录中  
cd ChatGLM4

出现以上页面即是克隆项目成功！

请注意，如果 git clone https://github.com/THUDM/GLM-4 这个链接不存在或者无效，git clone 命令将不会成功克隆项目，并且会报错。确保链接是有效的，并且您有足够的权限访问该存储库。

5. 创建虚拟环境

\# 创建一个名为 ChatGLM4 的新虚拟环境，并指定 Python 版本为 3.10.8  
conda create --name ChatGLM4 python=3.10.8  




\# 激活新创建的虚拟环境  
conda activate ChatGLM4

6. 安装模型依赖库

  • 切换到项目目录
\# 切换到项目工作目录  
cd /ChatGLM4
  • 激活 ChatGLM4 虚拟环境
conda activate ChatGLM4
  • 安装 requirements.txt 依赖
\# 在 ChatGLM3 环境中安装 requirements.txt 依赖  
pip install -r requirements.txt

依赖安装成功如下图所示：

7. 下载预训练模型

\# 创建一个THUDM文件夹  
mkdir -p /ChatGLM4/basic\_demo/THUDM  
  
\# 递归复制 GLM-4 这个整体文件夹到数据盘位置（因为模型有点大，系盘无法存放）  
cp -r /ChatGLM4 /root/sj-tmp/  
  
\# 切换到 GLM-4 项目的 basic\_demo 目录  
cd /root/sj-tmp/ChatGLM4/basic\_demo

安装 modelscope 依赖包

pip install modelscope

创建一个Python下载脚本

vim modelscope\_download.py

插入以下下载代码

\# Python 代码下载模型  
from modelscope import snapshot\_download  
model\_dir = snapshot\_download('ZhipuAI/glm-4-9b-chat', cache\_dir='./', revision='master')

执行 modelscope_download.py 文件进行模型下载

python modelscope\_download.py

8. 运行 web_demo_gradio.py 文件

cd /root/sj-tmp/ChatGLM4/basic\_demo/  
python trans\_web\_demo.py

出现以上代码“ModuleNotFoundError: No module named ‘peft’”报错，安装 peft 依赖包

\# 安装 peft  
pip install peft

出现以上报错，需要修改模型路径

\# 编辑 trans\_web\_demo.py 文件  
vim trans\_web\_demo.py

替换为

MODEL\_PATH = os.environ.get('MODEL\_PATH', 'ZhipuAI/glm-4-9b')

出现以上结果，还需要继续修改 web_demo_gradio.py 文件的IP和端口，才能进入 gradio 页面

\# 编辑 trans\_web\_demo.py 文件  
vim trans\_web\_demo.py

替换为

demo.launch(server\_name="0.0.0.0", server\_port=8080, inbrowser=True, share\=True)

替换说明：server_name 为IP地址, server_port 为端口号，根据访问需求进行替换即可

三、网页演示

出现以下 Gradio 页面，即是模型已搭建完成。

今天只要你给我的文章点赞，我私藏的大模型学习资料一样免费共享给你们，来看看有哪些东西。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

img

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

img

在windows笔记本电脑部署GLM4大模型
weixin_39945822的博客
06-13 5900
在Windows笔记本电脑上部署GLM4大模型。
多模态大模型入门指南（非常详细）零基础入门到精通，收藏这一篇就够了
Hacker_doggy的博客
07-17 3091
如表1所示，对26 SOTA MM-LLMs的架构和训练数据集规模进行了全面比较。随后，简要介绍这些模型的核心贡献并总结了它们的发展趋势。代表了一系列视觉语言 (VL) 模型，旨在处理交错的视觉数据和文本，生成自由格式的文本作为输出。(2)BLIP-2引入了一个资源效率更高的框架，包括用于弥补模态差距的轻量级 Q-Former ，实现对冻结 LLMs 的充分利用。利用 LLMs，BLIP-2 可以使用自然语言提示进行零样本图像到文本的生成。(3)LLaVA。
chatglm4本地部署详解
lstef的博客
06-16 7779
跟chatglm3回复速度相比，简直是慢动作中的慢动作。把它修改成glm-4-9b-chat的路径：/home/ls/文档/GLM4/glm-4-9b-chat。composite_demo文件夹中的requirements.txt文件夹，是此版本需要安装的依赖。accelerate>=0.30.1，也是类似情况，但指定源下载依然不奏效。（浏览器下载也失败了2次，反正都是断点续传，继续重复执行下载即可。glm-4-9b-chjat为已经训练的参数。另一种是，手动从web下载安装文件后安装。
ChatGLM 4本地部署指南(Docker容器版)
Qinghub‘博客
06-06 6874
GLM-4V-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源多模态版本。 **GLM-4V-9B** 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 都表现出卓越性能。
ChatGLM4部署教程
SJJS_1的博客
08-13 1159
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。
使用 Ollama 本地运行各种 LLM
python123456_的博客
05-31 1190
今天看看另外一个产品Ollama。Ollama 的安装非常简单，只需从官网（https://ollama.com/download）下载后解压缩，并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3，虽然在运行时占用了大量电脑资源，使得其他应用运行变慢，但整体体验尚可。Ollama 支持多种大型语言模型（https://ollama.com/library）。
零基础，零成本，部署一个属于你的大模型_阿里云大模型部署
2401_85377976的博客
07-10 2511
看了那么多chatGPT的文章，作为一名不精通算法的开发，也对大模型心痒痒。但想要部署自己的大模型，且不说没有算法相关的经验了，光是大模型占用的算力资源，手头的个人电脑其实也很难独立部署。就算使用算法压缩后的大模型，部署在个人电脑上，还要忍受极端缓慢的计算速度以及与chatGPT相差甚远的模型效果。有什么办法能够部署属于我们自己的大模型呢？有编程基础：作为一个合格的程序员，这应该是必备素质。
LLM 大模型产品经理学习指南：【2024 全新版】极致详细，一篇搞定！
2401_86518761的博客
09-10 1571
随着人工智能技术的蓬勃发展，尤其是大模型（Large Model）的强势兴起，越来越多的企业对这一领域愈发重视并加大投入。作为大模型产品经理，需具备一系列跨学科的知识与技能，方能有效地推动产品的开发、优化以及市场化进程。以下是一份详尽的大模型产品经理学习路线，旨在助力你构建所需的知识体系，实现从零基础到精通的蜕变。一、基础知识阶段（一）计算机科学基础数据结构与算法：深入理解基本的数据结构（如数组、链表、树、图等）以及常用算法（如排序、查找、递归等）。
初学者怎么入门大语言模型开发？_大模型开发语言
2401_85377976的博客
07-22 1583
Prompt Engineering 涉及为大型语言模型设计有效的输入（Prompts），以引导模型生成所需的输出。这个过程不仅需要精确表达问题或需求，而且要格式化输出以适应特定应用。
GLM4实践-GLM4智能体的本地化实现及部署
YELLOWAUG的博客
04-03 7626
实现GLM4智能体的本地化部署及调用，本文较长，涉及的技术点也较多
在本地服务器部署chatglm（含在langchain中加载）
最新发布
jiall20的博客
10-22 1812
参考视频：【ChatGLM+Langchain构建本地知识库，只需6G显存，支持实时上传文档-哔哩哔哩】 https://b23.tv/XdgztUvUP:新建文件夹X按照视频一步一步来的，但是up是在自己的电脑上部署的，和在服务器上的有细微差别，为了自己以后的学习，记录一下。
Chat-GLM 详细部署（GPU显存＞=12GB）
热门推荐
Kaitiren的专栏
04-10 1万+
【代码】Chat-GLM 详细部署（GPU显存>=12GB）
ChatGLM4重磅开源! 连忙实操测试一波，效果惊艳，真的好用！
2401_84206094的博客
06-24 1748
GLM-4-9B是智谱AI在24年6月5日推出的开源预训练模型，属于GLM-4系列。之前已开源chatglm1~chatglm3等多个版本。GLM4在语义理解、数学、推理、编程和知识等领域的测试中表现优异。GLM-4-9B-Chat是其人类偏好对齐版本，支持多轮对话、网页浏览、代码执行、自定义工具调用(function call)以及长文本推理（最大128K上下文）。该系列模型还支持26种语言，包括日语、韩语和德语，并推出了支持1M上下文长度（约200万中文字符）的版本。GLM-4-9B 系列模型主要包含:
ChatGLM 本地部署指南(Docker容器版)
Qinghub‘博客
05-21 2225
ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的对话预训练模型。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 有更强大的基础模型，更完整的功能支持，更全面的开源序列
chatglm4使用
weixin_38226321的博客
01-22 4226
登录，这里注册就送10万token，去API keys拿到自己的key。给自己的环境安装一下他们的库。使用流式输出时，在messages里面添加stream参数，打印时使用循环。glm4开始闭源了，所以就使用api来试试。
Datawhale出品：《GLM-4 大模型部署微调教程》发布！
Langchain的博客
06-13 1654
就在昨天，智谱 AI 发布了最新开源模型 GLM4,通过 10T 高质量多语言数据与更先进的训练技术,达到了更加出色的生成效果。
Windows下部署清华大学ChatGLM-6B语言模型（部署教程）
本文档详细介绍了在Windows系统环境下部署和运行清华大学开发的开源对话语言模型ChatGLM-6B的过程。ChatGLM-6B是一款支持中英双语并具备图像理解能力的模型，基于General Language Model架构，拥有62亿参数，能够在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值