文章目录
- 一、计划
- 二、模块划分
-
* github大模型汇总项目-
1. nlp领域
-
* （1）. ChatGLM-6B- （2）. LLaMA
- （3）. Mistral 7B
- （4）. Mistral-8x7B
- （5）. BAAI/bge-reranker-base
- （6）. 零一万物开源Yi系列“理科状元”Yi-9B，消费级显卡可跑
-
2. 知识图谱
-
* （1.）信息抽取- （2.）实体识别关系抽取数据集
- （3.）一些较为完成的图谱项目
- （4.）阿里藏经阁
- （5.）构建知识图谱大模型 东北大学
-
3. 语音识别
-
* （1）.Whisper -
4. 文本生成3D
-
* （1）. Shap-E -
5. 本地知识库相关
-
* 5.1 Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答 -
6. 图像领域
-
* 6.1 一键换装- 5.2 ChatYuan-large-v2 大语言模型进行基于知识库的问答
-
7. 中文，embedding处理比较好的预训练模型
-
- 二、模型下载的常见方法
-
* 1、Hugging http://face.cn上手动下载模型及其文件，- 2、阿里的modelscope上下载，
- 3、huggingface的镜像网站aliendao网站下载，
- 4、huggingface的镜像网站
一、计划
现在大模型比较多，平时需要调试对比，就把这些大模型简单一个收集。
不断收集，不断学习
目前，开原模型较多，一些能力弱的，没啥意义
基座模型通常指的是一个通用的、预先训练好的语言模型，如GPT-3.5。这种模型在各种自然语言处理任务中表现出色，可以用作其他更具体任务的基础。对话模型则是专门针对对话系统设计的模型，用于理解和生成对话。这些模型通常会在大规模对话数据上进行预训练，以便更好地理解和生成自然对话。
在实际场景中，通常会使用基座模型进行微调，以适应特定的任务或领域。基座模型已经在大规模的通用语言数据上进行了预训练，因此可以作为一个良好的起点，然后通过微调来使其适应特定的应用场景。
对话模型通常已经在对话数据上进行了预训练，因此在构建对话系统或进行对话相关的任务时，可以使用对话模型进行微调，以使其更好地理解和生成自然对话。
无论是使用基座模型还是对话模型进行微调，都需要根据具体的应用场景和任务需求来选择合适的模型，并进行相应的微调工作
二、模块划分
github大模型汇总项目
目前主流大模型汇总
简介：整理开源的中文大语言模型，以规模缩小、可试点化部署、成本降低的模型为主，包括基础模型、垂直领域调整及应用、数据集与等教程。
1. nlp领域
（1）. ChatGLM-6B
- ChatGLM-6B
- ChatGLM2-6B
- GLM2-6b 的第三方下载地址
- GLM2-6b int4 第三方下载
- GLM2-6b-32k 第三方下载
- GLM2-6b-32k-int4 下载
- GLM-6b 的第三方下载地址
- GLM-6b-int8 的第三方下载地址
- GLM-6b-int4 的第三方下载地址
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：
（2）. LLaMA
[Chinese-Llama-2系列-三方下载](https://wisemodel.cn/models/LinkSoul/Chinese-
Llama-2-7b)
Atom-7B-Chat-三方下载
Chinese-7b-Chat-
三方下载
Llama2-Chinese-13b-Chat-
三方下载
Llama2-Chinese-13b-Chat-4bit
本项目开源了中文LLaMA模型和指令精调的Alpaca大模型，以进一步促进大模型在中文NLP社区的开放研究。这些模型在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。
（3）. Mistral 7B
号称：目前为止最好的 7B 模型
Mistral 7B
（4）. Mistral-8x7B
性能超越 Llama2-65B
A微调Mistral-8x7B
（5）. BAAI/bge-reranker-base
特征向量提取器，特别是在向量检索，相似度匹配等领域的表现，目前是最先进的模型
BAAI/bge-reranker-base
github网址
（6）. 零一万物开源Yi系列“理科状元”Yi-9B，消费级显卡可跑
3月6日，零一万物发布并开源了Yi系列中的“理科状元”——Yi-9B。Yi-9B 是目前 Yi 系列模型中代码和数学能力最强的模型，实际参数为
8.8B，默认上下文长度4K tokens，是在 Yi-6B （使用了 3.1T tokens 训练）的基础上，使用了 0.8T tokens
进行继续训练。
2. 知识图谱
（1.）信息抽取
-
通用信息抽取 UIE(Universal Information Extraction)
UIE(Universal Information Extraction)：Yaojie
Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。为了方便大家使用UIE的强大能力，PaddleNLP借鉴该论文的方法，基于ERNIE
3.0知识增强预训练模型，训练并开源了首个中文通用信息抽取模型UIE。该模型可以支持不限定行业领域和抽取目标的关键信息抽取，实现零样本快速冷启动，并具备优秀的小样本微调能力，快速适配特定的抽取目标。 -
开放域文本理解大模型
SeqGPT是一个不限领域的文本理解大模型。无需训练，即可完成实体识别、文本分类、阅读理解等多种任务。该模型基于Bloomz在数以百计的任务数据上进行指令微调获得。模型可以在低至16G显存的显卡上免费使用。
github地址
（2.）实体识别关系抽取数据集
（3.）一些较为完成的图谱项目
（4.）阿里藏经阁
藏经阁
在商业知识图谱数据开放基础之上，我们还开放了部分知识图谱技术平台能力，开源了若干知识图谱构建、融合、推理和应用工具，以促进知识图谱技术社区的发展。
-
DeepKE
DeepKE 是一个支持低资源、长篇章的知识图谱抽取工具，用户可以定制输入的数据集和模型实现命名实体识别、关系抽取、属性抽取等知识图谱构建功能。 -
NeuralKG
是一个通用的知识图谱神经网络表示学习工具，其包含常用的知识图谱嵌入模型、基于图神经网络的图谱推理模型，以及多个规则增强推理模型 -
OpenUE
OpenUE是一个轻量级知识图谱抽取工具，其实现了在一个统一通用的框架下实现实体关系、事件识别、以及槽位和意图抽取等多种知识图谱构建任务。 -
PromptKG
PromptKGC（Incoming）是一个基于Pretrain-Prompt-
Fitune预训练范式的知识图谱抽取和补全工具，支持文本生成等多种应用和任务。 -
FastKGE
是一个轻量级知识图谱表示学习框架，其通过知识图谱蒸馏等方法，实现快速、高效的实体向量学习，可支持知识图谱模型的快速部署，以及在移动、边缘设备应用部署。
（5.）构建知识图谱大模型 东北大学
TechGPT是“东北大学知识图谱研究组”发布的垂直领域大语言模型。目前在HuggingFace🤗:
TechGPT-7Bneukg/TechGPT-7B开源了全量微调的7B版本。
TechGPT主要强化了如下三类任务:
以“知识图谱构建”为核心的关系三元组抽取等各类信息抽取任务
以“阅读理解”为核心的各类智能问答任务。
以“文本理解”为核心的关键词生成等各类序列生成任务。
摘要缩写，标题扩写
3. 语音识别
（1）.Whisper
是一个通用的语音识别模型，可以执行多语言语音识别、语音翻译和语音识别
Whisper
4. 文本生成3D
（1）. Shap-E
以文本或者图像为基础生成3D
5. 本地知识库相关
5.1 Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM
等语言模型的本地知识库问答
6. 图像领域
6.1 一键换装
5.2 ChatYuan-large-v2 大语言模型进行基于知识库的问答
ChatYuan-large-v2 大语言模型进行基于知识库的问答
nlp_bert_document-segmentation_chinese-base 语义分割模型对文本进行拆分
text2vec-large-chinese 模型 对文本向量化
faiss进行向量检索
langchain 进行各个模块的组合，并完成基于知识库的问答
项目结构
7. 中文，embedding处理比较好的预训练模型
- 支持中英双语的embedding预训练
jina-embeddings-v2-base-zh 是支持中英双语的文本向量模型，它支持长达8192字符的文本编码。
该模型的研发基于BERT架构(JinaBERT)，JinaBERT是在BERT架构基础上的改进，首次将ALiBi应用到编码器架构中以支持更长的序列。
不同于以往的单语言/多语言向量模型，我们设计双语模型来更好的支持单语言（中搜中）以及跨语言（中搜英）文档检索。 除此之外，我们也提供其它向量模型:
二、模型下载的常见方法
因为大模型动辄十几GB的大小，因为对于开发人员来说，环境搭好了，模型还要好几个小时。
模型下载的四种方式：
1、Hugging http://face.cn上手动下载模型及其文件，
因为国内对该网站不开放，需挂vpn下载，因为外网下载，所以速度依赖于你的外网网速
[下载地址](https://huggingface.co/baichuan-inc/Baichuan2-13B-Chat-4bits/tree/main-
inc/Baichuan2-13B-Chat-4bits/tree/main)
2、阿里的modelscope上下载，
无需vpn，如果你的网速还行，建议这种方式，首先需要安装modelscope：pip install modelscope
# 从modelscope上下载模型
from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download('baichuan-inc/baichuan-7B', cache_dir='./model', revision='master')
如果你网速很好，下载就很快，如果是kb/s，那么大文件下载会失败。
3、huggingface的镜像网站aliendao网站下载，
无需vpn，非开发者需手动下载互链高科 （非开发者或者怕麻烦可以直接去网站手动下载）
开发者在aliendao的下载器上下载 下载地址
# 开发者可以直接看这里，这里的操作是在你已经有了一个python3.7以上的环境下，可以直接下述操作
# 如果你没有的话，移步 https://github.com/git-cloner/aliendao
git clone https://github.com/git-cloner/aliendao
cd aliendao
pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple --trusted-host=pypi.mirrors.ustc.edu.cn
# 带上mirror参数，优先从aliendao.cn镜像下载
python model_download.py --mirror --repo_id baichuan-inc/Baichuan2-13B-Chat-4bits
让公司的运维测了，aliendao的带宽很慢，即便你的网速很快，速度也非常一般，而且这个网站模型不全。
4、huggingface的镜像网站
网速很快，公司运维有测到4M/s，非常推荐用这个网站直接下载
备注：huggingface的镜像网站下载llama2系列模型如何加认证的信息
加 huggingface access token 就可以下载，wget --header="Authorization: Bearer <hf_token>" url ，如果是git clone，则提示输密码时输入access token。
如何学习AI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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】
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
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。
本文转自 https://blog.csdn.net/Spontaneous_0/article/details/140052719?spm=1001.2014.3001.5501，如有侵权，请联系删除。
扫一扫
904
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
