微调

开源大模型食用指南 - 微调、部署 LLM、MLLM《开源大模型食用指南》针对中国宝宝量身打造的基于Linux环境快速微调（全参数/Lora）、部署国内外开源大模型（LLM）/多模态大模型（MLLM）教程

使用LLaMA-Factory对AI进行认知的微调本文将介绍如何使用LLaMA-Factory对AI进行微调，使其具备“忍者”的认知，并认知其是由“富士电视台”开发的。

ChatGPT大模型极简应用开发-CH4-GPT-4 和 ChatGPT 的高级技巧回顾聊天模型的chat_completion 函数:该函数接收提示词并在终端中显示补全结果。model 和 temperature是两个可选特征，分别被默认设置为 gpt-4 和 0。

Tune-A-Video：使用图像扩散模型进行一次微调实现文本到视频的生成Paper: Wu J Z, Ge Y, Wang X, et al. Tune-a-video: One-shot tuning of image diffusion models for text-to-video generation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023: 7623-7633. Introduction: https://tuneavideo.github.

GenAIOps：生成式 AI 运维 - 实用指南https://medium.com/google-cloud/genaiops-operationalize-generative-ai-a-practical-guide-d5bedaa59d78

ModelScope ms-swift：轻量级模型微调框架ModelScope ms-swift是ModelScope社区提供的一个官方框架，用于大型语言模型（LLMs）和多模态大型模型（MLLMs）的微调和部署。该框架支持预训练、微调、人类对齐、推理、评估、量化和部署等多个环节。

【论文笔记】QLoRA: Efficient Finetuning of Quantized LLMs🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

大模型 Fine-Tuning 技术解析在大型语言模型（LLMs, Large Language Models）的发展历程中，预训练模型和微调（Fine-tuning）技术起到了至关重要的作用。这些技术使得模型不仅能够学习到丰富的语言特征，还能根据具体任务进行优化调整，以适应特定的应用场景。本文将详细探讨几种主流的微调技术，并分析它们的工作原理、应用场景及其优缺点。

本地部署 LLaMA-Factory下载代码，创建虚拟环境，安装 LLaMA-Factory，验证，我机器的输入如下，安装 huggingface_hub，

每天八杯水D

LLaMA-Factory GLM4-9B-CHAT LoRA 微调实战进入下载好的llama-factory，安装依赖包Alpaca 格式是一种用于训练自然语言处理（NLP）模型的数据集格式，特别是在对话系统和问答系统中。这种格式通常包含指令（instruction）、输入（input）和输出（output）三个部分，它们分别对应模型的提示、模型的输入和模型的预期输出。三者的数据都是字符串形式

weixin_40455124

huggingface NLP-微调一个预训练模型微调一个预训练模型1.1 处理数据 1.1.1 fine-tune 使用tokenizer后的token 进行训练

【论文笔记】Visual Prompt Tuning🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

【大模型系列篇】LLaMA-Factory大模型微调实践 - 从零开始前一次我们使用了NVIDIA TensorRT-LLM 大模型推理框架对智谱chatglm3-6b模型格式进行了转换和量化压缩，并成功部署了推理服务，有兴趣的同学可以翻阅《NVIDIA TensorRT-LLM 大模型推理框架实践》，今天我们来实践如何通过LLaMA-Factory对大模型进行Lora微调。

【论文笔记】LoRA: Low-Rank Adaptation of Large Language Models🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

【论文笔记】The Power of Scale for Parameter-Efficient Prompt Tuning🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

速通LoRA：《LoRA: Low-Rank Adaptation of Large Language Models》全文解读🍃作者介绍：双非本科大四网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发，目前开始人工智能领域相关知识的学习 🦅个人主页：@逐梦苍穹 📕所属专栏：🌩 专栏①：人工智能； 🌩 专栏②：速通人工智能相关论文 🌻gitee地址：xzl的人工智能代码仓库 ✈ 您的一键三连，是我创作的最大动力🌹

ChatGLM2-6B微调记录【2】

【论文笔记】Prefix-Tuning: Optimizing Continuous Prompts for Generation🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

【论文笔记】Parameter-Efficient Transfer Learning for NLP🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

大数据AI人工智能培训专家培训讲师叶梓

基于模型内部的检索增强型生成答案归属方法：MIRAGE人工智能咨询培训老师叶梓转载标明出处在自然语言处理（NLP）中，确保模型生成答案的可验证性是一个重要挑战。特别是在检索增强型生成（RAG）用于问答（QA）领域时，如何验证模型答案是否忠实于检索到的来源是一个关键问题。近期一种名为自引用提示的方法被提出，以使大型语言模型（LLMs）在生成答案的同时生成对支持文档的引用。然而，自引用的LLMs经常难以匹配所需格式，引用不存在的来源，并且未能忠实反映LLMs在生成过程中对上下文的使用。针对这一问题，荷兰格罗宁根大学和阿姆斯特丹大学的研究者们提出了一种名为MIR