m0_55546566的博客

原创 Latex 记录

基础知识：错误：

原创 Ubuntu18.04 WPS不支持中文

当输入法为ibus时。

原创 Windows10 应用不在窗口显示范围内

AltSpace移动。

原创 显示器接口

不同接口的性能还可能受到其他因素的影响，比如电缆质量、设备支持等。选择接口时，需要根据你的显示需求和设备兼容性来决定。

原创 【Microsoft Edge 已过期】解决办法

这个红色提示很碍眼，在网上找了看了很多解决办法，都没有用，直到看到了。在联想电脑管家找到开机启动项，把Edge相关的服务都启用。在设置里面就可以正常更新了。

原创 使用ssh协议从Github克隆项目

参考文献：通过 HTTPS 端口使用 SSH - GitHub 文档

原创 删除windows下Administrator绑定的微软账户（切换为本地账户）

再设置-账户-电子邮件和应用账户下，单击微软账户xxx@xx.com，点击“删除”即可。原因：在学校的电脑上登陆了我的微软账户，账户信息下出现了我的邮箱。接着删除这两个文件夹，继续注销再登录。解决办法：删除注册表（有风险）

原创 Lagent & AgentLego 智能体应用搭建 作业

4、AgentLego 新增 MagicMaker 文生图工具实战。3、Lagent 新增自定义工具实战（以查询天气的工具为例）2、Lagent 调用已有 Arxiv 论文搜索工具实战。

原创 Lagent & AgentLego 智能体应用搭建 笔记

AgentLego 是一个提供了多种开源工具 API 的多模态工具包，旨在像是乐高积木一样，让用户可以快速简便地拓展自定义工具，从而组装出自己的智能体。通过 AgentLego 算法库，不仅可以直接使用多种工具，也可以利用这些工具，在相关智能体框架（如 Lagent，Transformers Agent 等）的帮助下，快速构建可以增强大语言模型能力的智能体。Lagent 是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。

原创 OpenCompass 大模型评测实战 作业

原创 OpenCompass 大模型评测实战 笔记

OpenCompass采取客观评测与主观评测相结合的方法。针对具有确定性答案的能力维度和场景，通过构造丰富完善的评测集，对模型能力进行综合评价。针对体现模型能力的开放式或半开放式的问题、模型安全问题等，采用主客观相结合的评测方式。在 OpenCompass 中评估一个模型通常包括以下几个阶段：配置 -> 推理 -> 评估 -> 可视化。4、OpenCompass介绍。1、面向未来拓展能力维度。2、大模型测评中的挑战。

原创 XTuner 微调 LLM：1.8B、多模态、Agent 作业

7、webdemo部署。训练自己的小助手认知。

原创 XTuner 微调 LLM：1.8B、多模态、Agent 笔记

大模型一般提供的基座模型是基于普遍共通的数据，所以针对下游任务就需要在基座模型上做微调。微调一般有两种范式，特点：傻瓜化、轻量级、适配多种硬件和生态。一、Finetune简介。二、XTuner工具。

原创 第二期 LMDeploy 量化部署 LLM-VLM 实践 作业

2.下载internlm-chat-1.8b模型。1.配置lmdeploy运行环境。3.以命令行方式与模型对话。

原创 第二期 LMDeploy 量化部署 LLM-VLM 实践 笔记

根据InternLM2技术报告(1提供的模型参数数据，以及KV Cache空间估算方法[2]，以FP16为例，在batch-size为16、输入512 tokens、输出32 tokens的情境下，仅20B模型就会产生10.3GB的缓存。知识蒸馏是一种经典的模型压缩方法，核心思想是通过引导轻量化的学生模型"模仿"性能更好、结构更复杂的教师模型，在不改变学生模型结构的情况下提高其性能。大模型的请求量不确定，请求时间不确定，Token逐个生成，生成的数量不确定。：模型高效推理、模型量化压缩、服务化部署。

原创 第二期 茴香豆：搭建你的 RAG 智能助理作业

1. web搭建知识问答助手

原创 第二期 茴香豆：搭建你的 RAG 智能助理

1、RAG技术概述 RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。RAG 能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。 2、RAG工作原理 三个部分：索引、检索、生成。 其中，向量数据库是

原创 第二期 轻松玩转书生·浦语大模型趣味 Demo笔记

【代码】第二期 轻松玩转书生·浦语大模型趣味 Demo笔记。

原创 第二期 轻松玩转书生·浦语大模型趣味 Demo作业

【代码】【无标题】

原创 书生浦语大模型第二期第一节课笔记

书生浦语全链路

原创 书生·浦语大模型实战营第二期报名

扫码报名。

原创 CLIP：利用自然语言的监督信号学习可迁移的视觉模型

（2）和（3）为模型做zero-shot推理的结构图，分类最后使用图片特征和文本特征计算余弦相似性，把相关性最大的句子挑出来，即完成分类。，基于对比图片-文本对的预训练模型或方法。CLIP是一种基于对比学习的多模态模型，通过多模态的图文任务，学习到图片和文字的匹配关系，进而实现图片zero shot的识别能力。通过输入的训练数据是图片-文本对（图片和它对应的文本描述），学习文本图像的匹配关系。训练集：4亿个图片和文本的配对，数据集清理的非常好。上图中的（1）为模型预训练结构图，其中。

原创 第六讲《OpenCompass 大模型评测》

使用 OpenCompass 评测 InternLM2-Chat-7B 模型在 C-Eval 数据集上的性能。

原创 第五讲《LMDeploy 大模型量化部署实践》

视频链接文档链接

原创 第四讲《XTuner 大模型单卡低成本微调实战》作业

我又做了两遍这次成功了，其中我认为有几个值得注意的点：

原创 第四讲《XTuner 大模型单卡低成本微调实战》笔记

2、XTuner介绍。3、8GB玩转LLM。

原创 第三讲《基于 InternLM 和 LangChain 搭建你的知识库》作业

3、InternLM 接入 LangChain。5、部署 Web Demo。

原创 第三讲《基于 InternLM 和 LangChain 搭建你的知识库》笔记

2、LangChain简介。5、WebDemo部署。

原创 第二讲《轻松玩转书生·浦语大模型趣味Demo》作业

1、使用 InternLM-Chat-7B 模型生成 300 字的小故事（需截图）。的 config.json 文件到本地（需截图下载过程）2、熟悉 hugging face 下载功能，使用。3、完成浦语·灵笔的图文理解及创作部署（需截图）python 包，下载。

原创 第二讲《轻松玩转书生·浦语大模型趣味Demo》笔记

教程简单易上手 直接看文档一步一步来就可以了 下面是一些关键步骤的截图。2、InternLM-Chat-7B 智能对话。3、Lagent 工具调用解简单数学题。

原创 第一讲《书生·浦语大模型全链路开源体系》笔记

2.1 书生·浦语大模型全链路开源体系。1.1书生浦语大模型介绍。