目录
在特定的情况下，要保证信息安全的同时还能享受到AIGC大模型带来的乐趣和功能，那么，离线部署就能帮助到你，最起码，它是一个真正可用的方案。
大模型本身清华的 (ChatGLM3)，为的是对中文支持友好，另外就是我也很看好它，毕竟一直在优化自己的模型，提升模型的质量。
如果基础环境没有布置好可以参考我上篇文章《Ubuntu 22.04 Tesla V100s显卡驱动，CUDA，cuDNN，MiniCONDA3 环境的安装》。
ChatGLM3 (ChatGLM3-6B)
项目地址
https://github.com/THUDM/ChatGLM3大模型是很吃CPU和显卡的，所以，要不有一个好的CPU，要不有一块好的显卡，显卡尽量13G+，内存基本要32GB+。
清华大模型分为三种(ChatGLM3-6B-Base，ChatGLM3-6B，ChatGLM3-6B-32K)
从上图也可以看到，ChatGLM3-6B-32K的话是最高配的模型，而ChatGLM3-6B-Base是最低配的模型。
一般会选择 ChatGLM3-6B普通模型来使用，当然，如果配置高，可以用32K的，会更好。
ChatGLM3 部署
如果不能访问github，那么就不容易下载资源了，主要是资源也比较大，可以自己想办法。
ChatGLM3 项目git clone
很简单一句命令就下载下来了。
git clone https://github.com/THUDM/ChatGLM3执行完，就下载完毕了
但是，默认里面是没有模型的，只有自带的简单的聊天项目以及相关的接口示例项目，还得继续下载模型。
ChatGLM3-6B 模型下载
当然，如果你自己不下载这些模型，这些模型就会在运行的时候自动下载(网络不好的话会影响使用体验，所以，建议提前下载)
模型下载提供了两个地址来下载，第一个不可以，那就选择第二个。
打开地址后，发现这个文件还挺大，而且还是 git项目的方式来进行展现的。
其中 LFS那种可以直接点击然后，保存的方式来下载，也可以用git命令来下载。
git lfs install需要 git增加 lfs 的功能，才能直接下载这么大的文件
git clone https://huggingface.co/THUDM/chatglm3-6b或者
git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git下载完毕后，就有很多文件
看一下大小 11.6GB ，还挺大的
项目配置和部署
把下载的服务直接放到需要运行的地方 然后，执行上节的python 环境管理
conda create --name chatglm3 python=3.10
conda activate chatglm3然后，进入到主项目中，开始配置一些环境
cd ChatGLM3第一步是要安装python 的依赖包
pip install -r requirements.txt -i https://mirror.sjtu.edu.cn/pypi/web/simple
它会自己安装一些依赖包，很快就安装完了
也可以查询自己安装了什么包
pip list //查看安装了什么包
pip show openai // 查看包安装到了哪里当然，我也是按照 README.md 里面的部署方式来部署的，具体以README.md为准。
修改配置
可以看到，实际上我们可以运行8种案例。
-
基础例子(cli_demo , web_demo_streamlit )
-
综合例子(聊天，工具，代码解释)
-
基础模型微调
-
聊天模型微调
-
类似于langchain的案例
-
openai接口的案例
-
TensorRT-LLM推理部署
-
工具调用
目前，只有第二种的综合例子，是比较有趣的，就以它为案例进行配置修改。
composite_demo
看到，这个demo下还有requirements.txt 文件，我们把他给安装了
pip install -r requirements.txt -i https://mirror.sjtu.edu.cn/pypi/web/simple演示中使用 Code Interpreter 还需要安装 Jupyter 内核：
pip install ipykernel -i https://mirror.sjtu.edu.cn/pypi/web/simple
ipython kernel install --name chatglm3 --user接着修改client.py里面的配置信息
修改里面的模型地址为你的模型地址即可，我这边直接写了个绝对路径。
然后，执行以下命令启动服务
streamlit run main.py正常情况下，控制台会出现以下信息
而网页会出现以下信息
左侧就像OpenAI那种的参数细节的调整，右侧是三种不同的使用方式选择。
效果展示
对话模式
输入你是谁，它就输自动的输出信息，速度还挺快。
而控制台也会显示你输入的信息以及返回的信息。
根据这个问题可以看到，这个模型，虽然对中文的支持度很高，但是，也掺杂一些英文信息。
工具模式
工具模式，需要自己先定义工具，我这边没有定义，有兴趣的可以整一下。
以下是自带的工具进行的演示:
我调用了一个查询天气的工具(tool_registry.py) 文件可以看到 get_weather的代码
@register_tool
def get_weather(
city_name: Annotated[str, 'The name of the city to be queried', True],
) -> str:
"""
Get the current weather for `city_name`
"""
if not isinstance(city_name, str):
raise TypeError("City name must be a string")
key_selection = {
"current_condition": ["temp_C", "FeelsLikeC", "humidity", "weatherDesc", "observation_time"],
}
import requests
try:
resp = requests.get(f"https://wttr.in/{city_name}?format=j1")
resp.raise_for_status()
resp = resp.json()
ret = {k: {_v: resp[k][0][_v] for _v in v} for k, v in key_selection.items()}
except:
import traceback
ret = "Error encountered while fetching weather data!\n" + traceback.format_exc()
return str(ret)代码解释器模式
我尝试了很久也没有得到以下的效果。
可能是我的打开姿势不对，我只能获取这样的。
但是，给出的代码，还是很合理的，看着就能执行。
感兴趣的可以参考
https://zhipu-ai.feishu.cn/wiki/VdYWwcZfmiNBnlkwYf1cqytcngf异常:
如果没有修改配置就会出现这个问题，当然，如果网络好的话，它会自己去安装。
总结
至此 ChatGLM3就演示完了，效果还是不错的说。比之前版本好太多了，我还会继续关注它的。
它也可以通过Web api的方式，自己搞个前端进行展现。
总体来讲，清华ChatGLM3-6B大模型对中文支持度还是蛮高的。
参考资料地址
《清华ChatGLM3 ChatGLM3-6B 大模型》
https://github.com/THUDM/ChatGLM3
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
