Chinese-LLaMA-Alpaca-3大模型项目ollama部署体验分享

前言

虽然Llama-3大模型发布以后，中文适配模型也出了一大堆，但效果都不尽人意，参差不齐。近期，Chinese-LLaMA-Alpaca-3项目终于发布了，我也快速的跟进体验了一下。这个项目内容规范，提供了训练和推理脚本，也提供了很多详细的文档，特别适合系统性了解大模型的朋友们。

这次我将以大家常用的ollama模型为例，介绍这个项目中的最新模型Llama-3-Chinese-8B-Instruct-v2的推理部署方法，并且进行效果体验。

项目地址：https://github.com/ymcui/Chinese-LLaMA-Alpaca-3

模型下载

本次Chinese-LLaMA-Alpaca-3项目提供了更多分流，例如Hugging Face、modelscope、wisemodel等。取消了百度云（没会员太慢了）和Google Drive链接。

除了常规的PyTorch版本（完整版、LoRA版）之外，项目还提供了GGUF量化版本（各个量化级别的都有），简直是业界良心。

比如说，本次要体验的Llama-3-Chinese-8B-Instruct-v2，我直接可以去下载Q8_0量化版本的。以下是相关链接，大家也可以访问项目主页获取其他版本模型的地址。

Hugging Face：https://huggingface.co/hfl/llama-3-chinese-8b-instruct-v2-gguf

ModelScope：https://modelscope.cn/models/ChineseAlpacaGroup/llama-3-chinese-8b-instruct-v2-gguf

ollama配置

接下来我就参照官方的ollama配置教程来介绍一下具体步骤。

官方wiki：ollama_zh · ymcui/Chinese-LLaMA-Alpaca-3 Wiki · GitHub

首先，去下载ollama的软件。这里要注意一定要安装0.1.33以上版本，现在最新的是0.1.37，我就安装这个版本了（我的系统是mac）。

第二步，需要创建一个Modelfile文件，用于配置ollama模型，定义了模型路径，聊天模板等信息，如下所示。

FROM /your-path-to-ggml/ggml-model-q8_0.gguf
TEMPLATE “”"{{ if .System }}<|start_header_id|>system<|end_header_id|>

{{ .System }}<|eot_id|>{{ end }}{{ if .Prompt }}<|start_header_id|>user<|end_header_id|>

{{ .Prompt }}<|eot_id|>{{ end }}<|start_header_id|>assistant<|end_header_id|>

{{ .Response }}<|eot_id|>“”"
SYSTEM “”“You are a helpful assistant. 你是一个乐于助人的助手。”“”
PARAMETER temperature 0.2
PARAMETER num_keep 24
PARAMETER stop <|start_header_id|>
PARAMETER stop <|end_header_id|>
PARAMETER stop <|eot_id|>

第三步，创建模型实例，在命令行里键入以下内容创建模型。其中的-f就是指定上一步保存的Modelfile文件。

ollama create llama3-chinese-inst-v2 -f Modelfile

第四步，就可以启动相应模型了。

ollama run llama3-chinese-inst-v2

启动之后会出现">>>"提示符，就可以开始聊天了。

效果体验

接下来我用一些例子来测试一下部署是否成功，顺便看看新一代模型的效果如何。

问题1：我买了一个无线充电器来给手机充电，为什么还需要用线插电？

哈哈，这道题没能难倒他。

问题2：电脑坏了，应该去检查脑电图吗？

这道题也答对了。

**问题3：**给定两个单词（beginWord 和 endWord）和一个字典（单词列表 wordList），找出所有从 beginWord 到 endWord 的最短转换序列。每次转换只能改变一个字母，且中间的每个转换步骤必须是字典中的单词。要求返回所有从 beginWord 到 endWord 的最短路径。如果不存在这样的路径，返回空列表。

我们利用最新的GPT-4o对该题的回答进行了打分， 结果是10/10满分。

问题4：求过点 \( (1, 2) \) 且与直线 \( y = 3x + 4 \) 平行的直线方程。

以下是模型回复和GPT-4o打分，结果是10/10满分。

问题5：证明：如果 \( n \) 是一个正整数且 \( n \) 不是平方数，那么 \( \sqrt{n} \) 是无理数。

这道题，GPT-4o打出8/10分，整体基本正确，有一些小瑕疵。

总结

总的来说这一代Llama-3相比上一代还是提升了不少的。中文方面，Chinese-LLaMA-Alpaca-3项目也给出了效果不错的模型，并且提供了完整的部署体验流程。

如果大家想进一步在这些模型上进行指令精调，也可以参考项目中的代码和文档，以便在各自关注的任务上获得更好的效果。

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓