- 博客(8)
- 收藏
- 关注
RSS订阅原创 书生大模型基础岛第六关
任务目标：使用 OpenCompass 评测 internlm2-chat-1.8b 模型在 ceval 数据集上的性能，记录复现过程并截图。4.设计对应的python脚本hf_internlm2_chat_1_8b.py，然后在确保数据集后运行脚本。3.列出所有跟 InternLM 及 C-Eval 相关的配置，和预计的配置进行对比。1.设置创建一个新的虚拟环境，安装对应的环境。5.最后输出OpenCompass的测评结果。2.解压评测数据集到指定文件夹。
2024-08-25 23:35:25
158
原创 书生大模型基础岛第五关
任务目标：使用 XTuner 微调 InternLM2-Chat-1.8B 实现自己的小助手认知，如下图所示（图中的需替换成自己的昵称），记录复现过程并截图。8.使用提供的指令，将Pytorch 训练出来的模型权重文件转换为目前通用的 HuggingFace 格式文件。6.为了训练对应的模型人，准备需要的微调数据集，大量加入我们想要的数据，然后将数据集之中的对应姓名更改。10.重新进行powershell的端口映射，然后开始运行脚本，得到训练之后的模型得出的回答。9.使用提供的指令，进行模型合并。
2024-08-25 23:24:43
219
原创 书生大模型基础岛第四关
5.调用LlamaIndex HuggingFaceLLM，然后运行llamaindex_internlm.py，python文件，随后得到对应模型的输出。3.挑选开源词向量模型Sentence Transformer，然后在虚拟环境之中下载Sentence Transformer 模型。词嵌入向量依赖，随后运行llamaindex_RAG.py文件，得到对应模型经过RAG技术后的输出答案。1.根据提供的数据创建新的虚拟环境，同时安装对应的基础依赖。4.选择不同的第三方库，然后下载NLTK 相关资源。
2024-08-25 23:06:32
318
原创 书生大模型基础岛第三关
近期相关研究发现，LLM在对比浮点数字时表现不佳，经验证，internlm2-chat-1.8b （internlm2-chat-7b）也存在这一问题，例如认为。创建必要的虚拟环境部署对应的模型，然后运行脚本测试模型部署。测试同一模型在是否提供提示词的情况下，对于同一问题的回答。：利用LangGPT优化提示词，使LLM输出正确结果。设计对应的langgpt提示词，从而优化模型对应功能。将设计完成的关键词加入模型，重新提问得到正确回答。测试部署的模型对于浮点数大小的判断。
2024-08-22 19:12:47
214
原创 书生大模型基础岛第一关
经过多年的研究与不断发展，InternLM开源模型的性能得到了显著提升，尤其是最新推出的InternLM 2.5模型，凭借其卓越的推理能力和处理能力，标志着一个新的里程碑。在InternLM系列模型的开发过程中，我们实现了全链路的开源，确保与社区生态的无缝连接。这种开放的生态系统不仅促进了技术的创新与发展，也为研究者和开发者提供了更多的机会，鼓励他们参与到模型的改进与应用中来。未来，随着更多用户的参与与反馈，InternLM系列模型将继续演化，满足更广泛的应用需求，推动人工智能技术的普及与应用。
2024-08-21 02:08:09
161
原创 书生大模型基础岛第二关
1.使用 Cli Demo 完成 InternLM2-Chat-1.8B 模型的部署，并生成 300 字小故事，记录复现过程并截图。完成InternLM2-Chat-1.8B 模型对应的配置并生成一个300字的故事。端口映射成功在对应的网站可以直接调用InternLM2-Chat-1.8B 模型。通过本地powershell进行端口映射。
2024-08-21 02:07:27
223
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人