chat-glm4,qwen1.5性能对比

最新推荐文章于 2024-06-28 10:48:28 发布

couldn

最新推荐文章于 2024-06-28 10:48:28 发布

阅读量330

点赞数 3

文章标签：大模型 glm qwen gpt chatgpt 评测

本文链接：https://blog.csdn.net/qq_40450969/article/details/139501549

版权

model	MMLU	C-Eval	GSM8K	HumanEval
glm-4-9b	74.7	77.1	84.0	70.1
qwen1.5-7b	61	74.1	62.5	36.0
qwen1.5-14b	67.6	78.7	70.1	37.8

数据来源是以下两个图。可以看到GLM4非常优秀，qwen应该也快要开源自己的新模型了，希望国内的大模型团队能够继续坚持，持续努力，坚持就是成功，持续性的努力非常重要！！！

（来源：魔搭社区）

（来源：Introducing Qwen1.5 | Qwen）

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

couldn

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
chat-glm4,qwen1.5性能对比

数据来源是以下两个图。可以看到GLM4非常优秀，qwen应该也快要开源自己的新模型了，希望国内的大模型团队能够继续坚持，持续努力，坚持就是成功，持续性的努力非常重要！
复制链接

扫一扫

GLM-4本地部署的实战教程

herosunly的博客

06-05

4万+

本文主要介绍了GLM-4-9B本地部署的实战教程，希望对学习和使用大模型的同学们有所帮助。文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 下载模型文件 3. 运行glm-4-9b-chat

AI大模型探索之路-基础篇5：GLM-4解锁国产大模型的全能智慧与创新应用

寻道码路，探索编程之路的无限可能。

05-22

3793

随着人工智能技术的飞速发展，大型预训练语言模型已成为推动行业进步的重要力量。它们在理解自然语言、生成文本、执行复杂任务等方面展现出惊人的能力。在此背景下，国产大模型GLM-4的问世，不仅展现了中国在AI领域的实力，也为国内外研究者和开发者提供了新的研究与应用平台。

参与评论您还未登录，请先登录后发表或查看评论

免费国产大模型API接口合集，企业可合规使用

m0_71858447的博客

05-22

2843

🚀 智谱清言 ChatGLM4大模型白嫖服务，支持高速流式输出、支持智能体对话、支持多轮对话、支持AI绘图、支持联网搜索、支持长文档解读、支持代码调用、支持图像解析，零配置部署，多路token支持，自动清理会话痕迹。🚀 KIMI AI 长文本大模型服务，支持高速流式输出、联网搜索、长文档解读、图像解析、多轮对话，零配置部署，多路token支持，自动清理会话痕迹。🚀 聆心智能 Emohaa情感陪伴大模型白嫖服务，支持高速流式输出、多轮对话，零配置部署，多路token支持，自动清理会话痕迹。

GLM4实践-GLM4智能体的本地化实现及部署

YELLOWAUG的博客

04-03

4479

实现GLM4智能体的本地化部署及调用，本文较长，涉及的技术点也较多

hugo_lei的博客

06-05

6264

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出超越 Llama-3-8B 的卓越性能。

Qwen2模型开源，你值得拥有！

xx_nm98的博客

06-07

1041

期待已久的Qwen2，他如约而至，他来了，他带着5个尺寸的大模型迎面走来了。Qwen2本次开源了4个Dense模型和1个MoE模型，Dense模型包括0.5B、1.5B、7B和72B 4个尺寸，MoE模型总参数为57B，激活参数14B。Qwen2系列模型为多语言模型，除英文和中文外，还支持其他27种语言；同时具有RAG、工具调用、角色扮演、Agent等多种功能。Qwen2依然很硬核，全面开源，模型又多效果又好，不枉费期待那么久。

使用 Ollama 本地运行各种 LLM

python123456_的博客

05-31

506

今天看看另外一个产品Ollama。Ollama 的安装非常简单，只需从官网（https://ollama.com/download）下载后解压缩，并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3，虽然在运行时占用了大量电脑资源，使得其他应用运行变慢，但整体体验尚可。Ollama 支持多种大型语言模型（https://ollama.com/library）。

金融行业数据集Chat-GLM可用

06-07

已转换好的Chat-GLM可用的金融行业数据集60w+条数据（问答对形式）可用来直接训练Chat-GLM的模型。例：{ "prompt": "转入多久到账，能查询进度吗", "response": "若是招行转出，网上银行/手机银行转账汇款到账时间:...

glm-4-9b-chat-1m模型代码文件

06-10

glm-4-9b-chat-1m模型代码文件

Copula-GLM建模用于用于Spike仿真分析+代码操作视频

06-02

1.领域：matlab，Copula-GLM建模 2.内容：Copula-GLM建模用于用于Spike仿真分析+代码操作视频 3.用处：用于Copula-GLM建模算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项：使用matlab2021a...

Opengl---glm库

12-23

Opengl的glm库，适用于64位windows系统，亲测可用，可以让大家少走弯路

LM-GLM-GLMM-intro：基于GLMGLMM的R中数据分析的统一框架

02-06

LM-GLM-GLMM-intro：基于GLMGLMM的R中数据分析的统一框架

【附精彩文章合辑】CriticGPT的优缺点分析

最新发布

蒲松龄

06-28

932

综上所述，CriticGPT作为一款基于GPT-4的代码审查模型，具有强大的基础、高效的审查能力、人机协作的潜力以及强化学习的能力等优点。然而，它也面临着训练数据局限性、虚构行为存在、跨部分错误识别挑战、依赖人类反馈以及解释性不足等缺点。未来随着技术的不断进步和优化，CriticGPT有望克服这些缺点并发挥更大的作用。

GPT-4o 客户端替代方案：支持屏幕阅读、麦克风交互 | 开源日报 No.277

开源服务指南

06-26

428

gpt-computer-assistant 是一个为 Windows、macOS 和 Ubuntu 提供的 GPT-4o 替代方案。该项目旨在为用户提供 ChatGPT MacOS 应用程序的替代品，支持在 Windows 和 Linux 系统上运行。

WEB界面上使用ChatGPT

小白白的博客

06-24

513

可以使用gpt4、gpt3.5，还有添加了不同先验知识的其他版本的智能问询，比如具备python先验知识的python版本，比如加入了cubestudio本身的先验知识的cubestudio版本，通过先验知识的添加，结合gpt的智能，生成可以更准确解答特定问题的私有知识库。项目有体验地址，也可以根据github上的部署文档自行部署，部署之后即可使用。进入平台WEB界面后，点击“数据智能”，可看到不同版本的智能问询。

Build a Large Language Model (From Scratch)第六章(gpt-4o翻译版)

Czi.的博客

06-28

272

来源：https://github.com/rasbt/LLMs-from-scratch?

深入了解 GPT-4 和 ChatGPT 的 API---OpenAI Playground

weixin_43961909的博客

06-24

841

掌握GPT-4 和 ChatGPT 的 API 的使用方法，以便有效地将它们集成到 Python 应用程序中。首先，需要了解 OpenAI Playground。这将使你在编写代码之前更好地了解模型。接着，需要学习 OpenAI Python 库。这部分内容包括登录信息和⼀个简单的 Hello World 示例。然后，需要学习创建和发送 API 请求的过程，并了解如何处理 API 响应。这将确保你知道如何解释这些 API 返回的数据。最后，还会介绍诸如安全最佳实践和成本管理等考虑因素。随着学习的深入

linux系统部署chat-glm-6b-int4

05-23

首先，你需要下载 Chat-GLM-6B-Int4 模型文件和相应的配置文件。然后，你需要在你的 Linux 系统上安装 PyTorch 和 Transformers 库。你可以使用以下命令安装这两个库： ``` pip install torch pip install transformers ``` 接下来，你需要编写一个 Python 脚本来部署 Chat-GLM-6B-Int4 模型。你可以使用以下代码作为脚本的基础： ```python import torch from transformers import GPT2Tokenizer, GPT2LMHeadModel # 加载模型和分词器 tokenizer = GPT2Tokenizer.from_pretrained('chat-glm-6b-int4/config') model = GPT2LMHeadModel.from_pretrained('chat-glm-6b-int4/model') # 指定设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) # 对话循环 while True: # 获取用户输入 user_input = input("You: ") # 把用户输入转换成模型的输入格式 input_ids = tokenizer.encode(user_input, return_tensors='pt').to(device) # 在模型上生成回复 output = model.generate(input_ids, max_length=1000, do_sample=True, temperature=0.7) response = tokenizer.decode(output[0], skip_special_tokens=True) # 输出回复 print("Chat-GLM-6B-Int4: " + response) ``` 在这个脚本中，我们首先加载 Chat-GLM-6B-Int4 模型和相应的分词器。然后，我们检查可用的设备并将模型移动到相应的设备上。最后，我们开始一个对话循环，其中用户输入被转换为模型的输入格式，并在模型上生成回复。回复被解码并输出给用户。注意，这个脚本只是一个基础示例，你需要根据你的具体需求进行修改。例如，你可能需要添加一个 Web 接口来允许用户通过浏览器与 Chat-GLM-6B-Int4 进行交互。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交