|
01 本地化部署是GPT发展的一个趋势 我们提到大模型就想到这个东西不是我们普通人可以拥有的，因为太耗费服务器资源，注定了可以提供大模型服务的只能是大厂。
然而有需求就会有解决方案，那就是让大语言模型对特定地区的行业和专业领域有较强的知识储备，使其大而全，变为小而精。无论是医学、法律、金融还是其他行业，搭建专有的知识库解答问题、提供专业建议，就像一个行业内的专家。 本地化部署有以下几个优势： 1、数据完全私有化，降低数据丢失和泄露风险，对数据安全性和私密性有保障。 2、降低使用成本，不需要支付云服务商的订阅费用或按量计费。 3、提高使用灵活性，可以根据自己的需求定制大模型的功能和参数。 4、提高使用效率，不受网络延迟和稳定性的影响。 目前已经有许多支持本地化的大模型，我推荐几个开源的好用的项目： 02 RWKV-Runner 介绍： RWKV是一个开源且允许商用的大语言模型，灵活性很高且极具发展潜力。 这个工具旨在降低大语言模型的使用门槛，做到人人可用，工具提供了全自动化的依赖和模型管理，你只需要直接点击运行，跟随引导，即可完成本地大语言模型的部署，工具本身体积极小，只需要一个exe即可完成一键部署。
此外，本工具提供了与OpenAI API完全兼容的接口，这意味着你可以把任意ChatGPT客户端用作RWKV的客户端，实现能力拓展，而不局限于聊天。 功能： - 与OpenAI API完全兼容，一切ChatGPT客户端，都是RWKV客户端。启动模型后，打开 http://127.0.0.1:8000/docs 查看详细内容
- 预设了2G至32G显存的配置，几乎在各种电脑上工作良好
- 也可用作 OpenAI ChatGPT 和 GPT Playground 客户端
项目地址：https://github.com/josStorer/RWKV-Runner03 ChatGLM3ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：1、更强大的基础模型：在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在 10B 以下的基础模型中最强的性能。2、更完整的功能支持：ChatGLM3-6B 采用了全新设计的 Prompt 格式，除正常的多轮对话外。同时原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务等复杂场景。3、更全面的开源序列：在填写问卷进行登记后亦允许免费商业使用。模型量化：默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型。 CPU 部署：如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。 Mac 部署：对于搭载了 Apple Silicon 或者 AMD GPU 的 Mac，可以使用 MPS 后端来在 GPU 上运行 ChatGLM3-6B。 多卡部署：如果你有多张 GPU，但是每张 GPU 的显存大小都不足以容纳完整的模型，那么可以将模型切分在多张GPU上。
界面：
一个集成以下三种功能的综合 Demo 1、Chat: 对话模式，在此模式下可以与模型进行对话。2、Tool: 工具模式，模型除了对话外，还可以通过工具进行其他操作。3、Code Interpreter: 代码解释器模式，模型可以在一个 Jupyter 环境中执行代码并获取结果，以完成复杂任务。项目地址：https://github.com/THUDM/ChatGLM304 Langchain-Chatchat介绍：
以前叫Langchain-ChatGLM，基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现，开源、可离线部署的检索增强生成(RAG)大模型知识库项目。 解决痛点： 该项目是一个可以实现 完全本地化推理的知识库增强方案, 重点解决数数据安全保护，私域化部署的企业痛点。本开源方案采用Apache License，可以免费商用，无需付费。支持市面上主流的本地大预言模型和Embedding模型，支持开源的本地向量数据库 界面：
1、对话界面
2、知识库管理界面
项目地址：https://github.com/chatchat-space/Langchain-Chatchat
|
