大模型实践笔记（1）——GLM-6B实践

[在Ubuntu上的配置Git Large File Storage](#在Ubuntu上的配置Git Large File Storage)

[安装Git LFS：](#安装Git LFS：)

[设置Git LFS：](#设置Git LFS：)

[使用Git LFS：](#使用Git LFS：)

很多模型在hugging face上面，我们一般采用远程的文件指针形式

在Ubuntu上的配置Git Large File Storage

在大多数Linux发行版上，您可以使用包管理器来安装Git LFS。例如，在基于Debian的系统上（如Ubuntu），您可以使用以下命令：
bash 复制代码
```
sudo apt-get update sudo apt-get install git-lfs
```
对于其他操作系统或者如果您希望使用不同的安装方法，可以访问Git LFS的官方网站获取更详细的安装指南：Git LFS 官方网站。

您可以开始使用Git LFS来追踪大文件了。例如，如果您想追踪所有的 .bin 文件，您可以使用以下命令：
bash 复制代码
```
git lfs track "*.bin"
```
然后，您可以像平常一样使用 git add 和 git commit 命令提交您的更改。
当您克隆一个使用Git LFS的仓库时，您可能需要使用 git lfs pull 命令来拉取存储在LFS中的大文件。

在主要评估LLM模型中文能力的 C-Eval 榜单中，截至6月25日 ChatGLM2 模型以 71.1 的分数位居 Rank 0 ，ChatGLM2-6B 模型以 51.7 的分数位居 Rank 6，是榜单上排名最高的开源模型。

ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：

更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%）、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。
更长的上下文：基于 FlashAttention 技术，我们将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，我们会在后续迭代升级中着重进行优化。
更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，推理速度相比初代提升了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。
更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。如果您发现我们的开源模型对您的业务有用，我们欢迎您对下一代模型 ChatGLM3 研发的捐赠。

bash 复制代码

 $ git clone https://github.com/THUDM/ChatGLM2-6B

python 复制代码

$ conda create -n GLM python=3.10       # 创建新环境
$ conda activate GLM                    # 激活环境

python 复制代码

 $ cd ChatGLM2-6B
 $ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

bash 复制代码

$ git lfs install
$ git clone https://huggingface.co/THUDM/chatglm2-6b

模型的实现仍然处在变动中。如果希望固定使用的模型实现以保证兼容性，可以在 from_pretrained 的调用中增加 revision="v1.0" 参数。v1.0 是当前最新的版本号，完整的版本列表参见 Change Log。

修改cli_demo.py

python 复制代码

$ python cli_demo.py