ChatGLM3:打造更智能、更安全的代码解释器和工具使用体验

ChatGLM3 是由智谱AI训练的第三代大型语言模型,它不仅能理解和生成人类语言,还能执行代码、调用工具,并以 markdown 格式进行响应。为了提高用户体验,同时避免用户输入的注入攻击,ChatGLM3 采用了全新的对话格式。下载智谱清言体验ChatGLM3最新的能力。

GitHub代码仓库:GitHub - THUDM/ChatGLM3

ChatGLM3 对话格式

ChatGLM3 对话的格式由若干对话组成,其中每个对话包含对话头和内容。对话头占完整的一行,格式为 `<|role|>{metadata}`,其中 `<|role|>` 部分使用 special token 表示,无法从文本形式被 tokenizer 编码以防止注入。metadata 部分采用纯文本表示,为可选内容。

对话格式的角色包括:

  • `<|system|>`:系统信息,设计上可穿插于对话中,但目前规定仅可以出现在开头

  • `<|user|>`:用户,不会连续出现多个来自 `<|user|>` 的信息

  • `<|assistant|>`:AI 助手,在出现之前必须有一个来自 `<|user|>` 的信息

  • `<|observation|>`:外部的返回结果,必须在 `<|assistant|>` 的信息之后

使用场景

多轮对话

在多轮对话中,有且仅有 `<|user|>`、`<|assistant|>`、`<|system|>` 三种角色。例如:

<|system|>

You are ChatGLM3, a large language model trained by Zhipu.AI. Follow the user's instructions carefully. Respond using markdown.

<|user|>

Hello

<|assistant|>

Hello, I'm ChatGLM3. What can I assist you today?

工具调用

在工具调用场景中,AI 助手可以接收用户的请求,调用相应的工具,并返回查询结果。例如:

<|system|>

Answer the following questions as best as you can. You have access to the following tools:

[

{

"name": "get_current_weather",

"description": "Get the current weather in a given location",

"parameters": {

"type": "object",

"properties": {

"location": {

"type": "string",

"description": "The city and state, e.g. San Francisco, CA",

},

"unit": {"type": "string"},

},

"required": ["location"],

},

}

]

<|user|>

查查巴黎的天气怎么样?

<|assistant|>

我需要调用天气预报工具来获取巴黎的天气信息

<|assistant|>get_current_weather

```python

tool_call(location="巴黎", unit="celsius")

```

<|observation|>

{"temperature": 12}

<|assistant|>

根据查询结果,巴黎现在的气温为 12 摄氏度。

代码执行

<|system|>

你是一位智能AI助手,你叫ChatGLM3,你连接着一台电脑,但请注意不能联网。在使用Python解决任务时,你可以运行代码并得到结果,如果运行结果有错误,你需要尽可能对代码进行改进。你可以处理用户上传到电脑上的文件,文件默认存储路径是/mnt/data/。

<|user|>

#File: /mnt/data/metadata.jsonl

#Size: 35380

#File uploaded

文件中是否存在缺失值或异常值?

<|assistant|>

首先,我将读取您提供的文件,并查看其内容以确定是否存在缺失值或异常值。

我们从加载文件开始:

<|assistant|>interpreter

```python

import json

Load the uploaded file

data = []

with open("/mnt/data/metadata.jsonl", 'r') as file:

for line in file:

data.append(json.loads(line))

Display the first few records to get a sense of the data

data[:5]

```

<|observation|>

```result

[{'file_name': 'aceinthehole.png',

'name': 'Ace in the Hole',

'type': 'survivor',

'description': 'Lady Luck always seems to be throwing something good your way.'},

{'file_name': 'adrenaline.png',

'name': 'Adrenaline',

'type': 'survivor',

'description': 'You are fuelled by unexpected energy when on the verge of escape.'},

{'file_name': 'aftercare.png',

'name': 'Aftercare',

'type': 'survivor',

'description': "Unlocks potential in one's aura reading ability."},

{'file_name': 'agitation.png',

'name': 'Agitation',

'type': 'killer',

'description': 'You get excited in anticipation of hooking your prey.'},

{'file_name': 'alert.png',

'name': 'Alert',

'type': 'survivor',

'description': 'Your acute senses are on high alert.'}]

```

<|assistant|>

该文件看起来包含有关某些条目的元数据,每个条目有以下字段:

  • `file_name`: 文件名称

  • `name`: 名称

  • `type`: 类型(例如 "survivor" 或 "killer")

  • `description`: 描述

接下来,我将检查这些字段是否存在缺失值。

<|assistant|>interpreter

```python

Check for missing values in each column

missing_values = {key: sum(1 for item in data if key not in item) for key in data[0].keys()}

missing_values

```

<|observation|>

```result

{'file_name': 0, 'name': 0, 'type': 0, 'description': 0}

```

<|assistant|>

每个字段都没有缺失值。这意味着每个条目都完整。

接下来,我们可以检查是否存在任何潜在的异常值。这通常需要更深入的分析和对数据的了解,但我可以从一些基本的统计和分布开始进行检查。为了这样做,我们可以查看"type"字段的值分布,看看是否有任何意外的类别。

<|assistant|>interpreter

```python

Check the distribution of values in the 'type' column

type_distribution = {key: sum(1 for item in data if item['type'] == key) for key in set(item['type'] for item in data)}

type_distribution

```

<|observation|>

```result

{'survivor': 116, 'killer': 103}

```

<|assistant|>

"type"字段有两个值:"survivor"和"killer"。其中,"survivor"有116个条目,而"killer"有103个条目。

从这个初步的检查中,我们没有发现任何明显的异常值。

如果您有任何特定的标准或其他字段需要检查,我可以为您提供更详细的分析。您还希望我检查什么呢?

<|user|>

帮我画一个爱心

<|assistant|>interpreter

```python

import numpy as np

import matplotlib.pyplot as plt

爱心形状的参数方程

def heart(t):

x = 16 * np.sin(t) ** 3

y = 13 * np.cos(t) - 5 * np.cos(2 * t) - 2 * np.cos(3 * t) - np.cos(4 * t)

return x, y

t = np.linspace(0, 2 * np.pi, 1000)

x, y = heart(t)

plt.figure(figsize=(6, 6))

plt.plot(x, y, color='red')

plt.axis('equal')

plt.axis('off')

plt.show()

```

<|observation|>

```result

[Image]

```

<|assistant|>

这是一个爱心形状。我使用了参数方程来描述这个形状,并使用matplotlib进行了绘制。如果您有任何其他需求或问题,请随时告诉我。

<|user|> # End

````

ChatGLM3 的对话格式设计使得它能够以更清晰、更安全的方式进行多轮对话、工具调用和代码执行。无论是查看天气、分析数据,还是创建图形,ChatGLM3 都能提供高效、准确的帮助。

总的来说,ChatGLM3 是一款强大的 AI 助手,它的出现将为我们的生活和工作带来更多可能性。

相关推荐
开MINI的工科男13 分钟前
【笔记】自动驾驶预测与决策规划_Part7_数据驱动的预测方法
人工智能·自动驾驶·端到端·预测与决策·多模态预测
蒋会全1 小时前
第2.3 AI文本—prompt入门
人工智能·prompt·aigc
Evaporator Core1 小时前
门控循环单元(GRU)与时间序列预测应用
人工智能·深度学习·gru
是Yu欸1 小时前
【Github】如何使用Git将本地项目上传到Github
人工智能·git·深度学习·github·论文笔记·cvpr
归-途1 小时前
C#构建一个简单的循环神经网络,模拟对话
神经网络·机器学习·c#
Ciderw1 小时前
AI 在软件开发流程中的优势、挑战及应对策略
人工智能·ai
Struart_R2 小时前
Edify 3D: Scalable High-Quality 3D Asset Generation 论文解读
人工智能·深度学习·3d·扩散模型·三维生成·三维资产
声网2 小时前
Runway 新增视频扩展画面功能;Anthropic 再获亚马逊投资 40 亿美元,聚焦 AI 芯片研发丨 RTE 开发者日报
人工智能
归-途2 小时前
C#构建一个简单的前馈神经网络
神经网络·机器学习·c#
量子位2 小时前
将活体神经元植入大脑,他和马斯克闹掰后开辟脑机接口新路线
人工智能