ChatGLM-6B模型部署

随着Chatgpt爆火以来，国内外各大互联网厂商纷纷开始相关的产业布局，纷纷推出自家的大模型，并规划将自己的大模型要接入自家的产品，于是乎我诞生了一个想法：我们实验室什么时候可以有自己的大模型可以接入实验室的项目，这样科技含量（含金量）岂不是可以大大增加。从头打造一个大模型无论是技术还是人力物力来说都不现实，但是最近一个多月来开源的文本大模型出现了很多，如果能将开源大模型作为预训练模型，能降低很多成本，于是乎我选择了清华大学开源的ChatGLM-6B模型，尝试部署和进行一些简单的训练。

ChatGLM-6B 是什么？

ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。

不过，由于 ChatGLM-6B 的规模较小，目前已知其具有相当多的局限性，如事实性/数学逻辑错误，可能生成有害/有偏见内容，较弱的上下文能力，自我认知混乱，以及对英文指示生成与中文指示完全矛盾的内容。更大的基于 1300 亿参数 GLM-130B 的 ChatGLM 正在内测开发中。

ChatGLM-6B 部署

下载源码

1
git clone https://github.com/THUDM/ChatGLM-6B

安装依赖

1
2
3
4
# 进入项目根目录 
cd ChatGLM-6B
# 安装依赖
pip install -r requirements.txt

下载模型文件

1
git clone https://huggingface.co/THUDM/chatglm-6b

量化后的模型文件下载地址如下：

项目启动

API模式

1
2
pip install fastapi uvicorn
python api.py

img

postman测试端口

img

命令行模式

1
python cli_demo.py

img

网页模式

1
2
pip install gradio
python web_demo.py

后续会在复习之余尝试进行模型微调和NLP的学习。