LLM 技术图谱(LLM Tech Map)是将 LLM 相关技术进行系统化和图形化的呈现,此图谱主要特点是“专注于技术人视角”,不求从 LLM 产业角度汇聚信息,而是希望让从事相关工作或是想了解 LLM 的技术人有一个快速感知。
LLM 技术图谱(LLM Tech Map)从基础设施、大模型、Agent、AI 编程、工具和平台,以及算力几个方面,为开发者整理了当前 LLM 中最为热门和硬核的技术领域以及相关的软件产品和开源项目。
核心价值:帮助技术人快速了解 LLM 的核心技术和关键方向。
1.基础设施
LLM 技术图谱(LLM Tech Map)的基础设施部分主要包括以下几个方面:
- 向量数据库:向量数据库是专门用于存储和检索向量数据的数据库,它可以为 LLM 提供高效的存储和检索能力。
- 数据库向量支持:传统数据库通常不支持向量数据的存储和检索,数据库向量支持可以为传统数据库添加向量数据的存储和检索能力。
- 大模型框架、微调 (Fine Tuning):针对大模型的开发。
- 大模型训练平台与工具
1.1向量数据库
- Milvus
- Pinecone
- Weaviate
- Chroma
- Qdrant
- Vespa
- Vald
- Faiss
- ScaNN
- Vearch
- AquilaDB
- Marqo
- LanceDB
- Annoy
- NucliaDB
- DeepLake
- MongoDB
1.2数据库向量支持
- pgvector
- Redis Vector
- Elastic
- SingleStoreDB
- Solr
- OpenSearch
- ClickHouse
- Rockset
- Cassandra
- Lucene
- Neo4j
- Kinetica
- Supabase
- Timescale
1.3大模型框架、微调 (Fine Tuning)
- OneFlow
- LMFlow
- LoRA
- Alpaca-LoRA
- PEFT
- ChatGLM-Efficient-Tuning
- LLaMA-Efficient-Tuning
- P-tuning v2
- OpenLLM
- h2o-llmstudio
- xTuring
- finetuner
- YiVal
1.4大模型训练平台与工具
- Pytorch
- BMtrain
- colossalAI
- Tensorflow
- PaddlePaddle
- MindSpore
- Deepspeed
- XGBoost
- Transformers
- Apache MXNet
- Ray
2.大模型
LLM 技术图谱(LLM Tech Map)的大模型部分主要包括以下几个方面:
- 备案上线的中国大模型:有牌照提供服务的大模型,需要注意的是大模型和相应的产品多半名称不同。
- 知名大模型:在全球范围内,已经发布了多款知名大模型,这些大模型在各个领域都取得了突破性的进展。
- 知名大模型应用:LLM 已经在多种应用场景中得到了应用,包括文本生成、机器翻译、问答、自然语言推理等。
2.1中国大模型
- 文心一言
- 云雀
- GLM
- 紫东太初
- 百川
- 日日新
- ABAB 大模型
- 书生通用大模型
- 混元大模型
2.2知名大模型
- Llama 2
- OpenLLaMA
- 百川
- 通义大模型
- 文心一言
- StableLM
- MOSS
- Dolly
- BLOOM
- Falcon LLM
- ChatGLM
- PaLM 2
- 盘古
- GPT-4
- Stable Diffusion
- DALL·E 3
2.3 知名大模型应用
- ChatGPT
- Claude
- Cursor
- Mochi Diffusion
- Midjourey
- DragGAN
- Bard
- Bing
3.AI Agent(LLM Agent)
AI Agent是一种能够自主运作并完成特定任务的计算实体或程序。它能够通过传感器感知周围环境,并根据感知到的信息做出决策,然后通过执行器采取行动。LLM Agent 是指基于 LLM 技术构建的智能代理,它可以用于各种任务,比如让机器与 ChatGPT 交互,一层一层挖掘信息,自动化完成任务;比如由机器人构成的虚拟小镇。
-
核心特点
- 自主性:AI Agent具有独立思考和行动的能力,能够在没有人类直接指导的情况下完成任务。
- 交互性:AI Agent能够与环境或其他Agent进行交互,这在游戏、对话系统、推荐系统等场景中尤为重要。
- 目的性:AI Agent设计有明确的目标或意图,其行为是为了实现这些目标。
- 适应性:AI Agent能够根据环境的变化调整自己的行为,以适应新的情境。
- 进化性:随着技术的发展,AI Agent的功能和智能水平也在不断提升。
-
技术特点
- AI Agent与大模型的主要区别在于,大模型与人类之间的交互是基于prompt实现的,而AI Agent仅需给定一个目标,它就能够针对目标独立思考并做出行动。
- AI Agent的核心驱动力是大模型,并在此基础上增加了规划(Planning)、记忆(Memory)和工具使用(Tool Use)三个关键组件。
-
类型从工作模式来看,AI Agent可以分为以下三种类型:
- 单Agent:侧重于执行单一任务或一系列相关任务,且不需要与其他智能体进行交互。
- 多Agent:涉及多个智能体之间的协作和交互,以完成更复杂的任务。
- 混合Agent(人机交互Agent):结合了人类和智能体的交互,以实现更高效的任务执行。
-
Rivet
-
JARVIS
-
MetaGPT
-
AutoGPT
-
BabyAGI
-
NexusGPT
-
Generative Agents
-
Voyager
-
GPTeam
-
GPT Researcher
-
Amazon Bedrock Agents
4.AI 编程
AI编程是指利用计算机编程语言和技术来创建、训练和优化人工智能算法的过程。它涵盖了数据的收集、清洗、转换以及算法的选择和应用。AI编程是构建未来智能系统的关键,通过模拟人类智能的能力,使计算机能够执行类似于人类的决策和任务。编程语言如Python因其强大的数据处理库和简洁的语法,成为AI编程的常用工具。
- codeium.vim
- Cursor
- GitHub Copilot
- Comate
- StableCode
- CodeGeeX
- TabbyML
- CodeArts Snap
- Code Llama
- CodeFuse
- 姜子牙
- CodeShell
5.工具和平台
LLM 技术图谱(LLM Tech Map)的工具和平台部分主要包括以下几个方面:
- LLMOps:简单点说(大家当前在说的),就是“快速从大模型到应用”。
- 大模型聚合平台:汇聚大模型能力,提供服务。
- 开发工具:其它开发相关的 LLM 工具。
5.1 LLMOps
- BentoML
- LangChain
- Dify.ai
- Semantic Kernel
- Arize-Phoenix
- GPTCache
- Flowise
5.2 大模型聚合平台(☆)
- Gitee AI
- SOTA!模型
- 魔搭ModelScope
- Hugging Face
5.3 开发工具
- v0
- txtai
- Jina-AI
- Deco
- imgcook
- Quest AI
- CodiumAI
- Codeium Vim
- Project IDX
- MakerSuite
6.算力
LLM 模型的训练和部署需要大量的算力,算力是 LLM 技术发展的关键因素。
- 英伟达
- 昇腾
- AMD
- 海光
- 昆仑芯
- 天数智芯
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,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。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
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!
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。
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。
四、AI大模型商业化落地方案
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
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
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
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
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
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 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
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓