背景
大模型是发展人工通用人工智能的一个重要途径，能够解决多种任务和多种模态，展示了一个更面向更高阶的智能的潜在途径。大模型的发展历程是从专用模型到通用模型的过程，从语音识别、图像识别、人脸识别等专用模型，到通用的大模型，能够解决多种任务和多种模态。
书生浦语大模型覆盖了轻量级、中量级、重量级的不同大小的系列，具备强大的性能和全面的优势，能够超过相近量级的模型，且开源可用。
技术路线-从模型到应用
有了模型之后，需要在多个场景应用。从模型怎么样去到最终的应用，是目前研究的重点方向之一。
第一步模型选型。针对于应用场景，比较多种大模型相关维度的能力，进行模型评测。经过模型评测初步选型之后，可选定意向大模型。
第二步评估业务场景复杂度。若不复杂，可直接把模型拿过来应用。则继续如果业务场景非常复杂，通常来讲直接开源模型无法满足需求，需要微调、prompt工程等进一步构建。
第三步，判断全参数微调或部分微调等，并计算所需算力，应提前规划，避免微调失败。如果算力足够，可进行全参数微调。如果算力资源比较受限，只能进行部分参数微调，类似把大部分的参数固定住，只调一小部分参数。
第四步，构建基于大模型的智能体需要考虑模型与环境的交互。如果需要调用外部API或与已有业务数据库交互，就需要构建智能体。如果不需要与环境交互，就可以直接将微调好的模型在业务场景中试用。
第五步，模型评测，并评估是否上线应用或继续迭代。
第六步，模型部署。关于软件系统相关性能、安全、功能等方面内容。如考虑如何以更少的资源部署模型，或者如何提升整个应用的吞吐量。
开源数据和工具-书生·浦语
进行了一些基本介绍。
书生浦语全链条开放体系，包括了书生万卷多模态的语料库，包括文本、图像、视频等数据，大小超过2个TB，涵盖了不同领域的数据。提供了超过5400多个数据集，涵盖了30多种模态，总共大概有80TB的数据，包括图像、视频、文本语料、3D模型、音频等不同数据。
预训练工具的特点包括高可扩展性、极致的性能优化、兼容主流生态、开箱启用等特点。
增量续训和有精度微调的区别是什么？增量续训主要是让基座模型学习到新的知识，训练数据通常包括垂直领域的文章、书籍、代码等；有精度微调主要是让模型学会理解和遵循各种指令，训练数据主要是高质量的对话数据和问答数据。
有监督微调中的部分参数微调是什么？部分参数微调是将预先的权重固定住，引入新的较小的可训练参数进行微调，可以大大节省训练代价。
xTuner框架能够适配多种生态，兼容不同的微调算法和策略，同时能够加载开源生态的模型和数据集，并进行自动化优化加速。xTuner框架支持NVIDIA20系以上的所有显卡，包括2080、3060到3090等。同时支持多种数据格式和训练引擎。
OpenCompass评测体系是一个全球领先的开源评测体系，提供了六大维度和超过80个数据集，支持40多万道评测题目，涵盖了大模型能力的多个维度和细分，形成一个比较全面的评测体系。同时，它不仅仅是一个评测维度或体系，还提供了一系列工具。包括平台级架构，分为模型层和能力层，支持基础模型和对话模型，以及通用能力和特色能力等评测。
OpenCompass提供了便捷的数据集接口，社区用户可以快速添加自定义的数据集。支持主流的模型
部署方面
语言模型部署面临的技术挑战包括设备存储、推理加速、动态shape、内存管理和利用、吞吐量提升、请求响应时间降低等
LMDeploy是一个高效的推理框架，能够提供大模型部署的全流程解决方案。
智能体应用方面
LLM作为核心，执行不同动作如网络搜索、python代码解释器等
legend支持哪些大语言模型？
AgentLego可以做什么？可以连接大语言模型和环境，调用更多的工具完成任务。
Lagent和AgentLego有什么区别？Lagent是搭建智能体框架，而AgentLego是为大模型提供工具集合。
