第四期书生大模型实战营-Tutorial 6

最新推荐文章于 2025-12-15 12:08:33 发布
原创 最新推荐文章于 2025-12-15 12:08:33 发布 · 260 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

Task 分为四部分：使用MindSearch、书生·浦语、书生·万象，并且将一个回复的问题发布到知乎；

Task 1：MindSearch的使用体验，提出问题：2024 年诺贝尔物理学奖为何会颁发给人工智能领域的科学家 Geoffrey E. Hinton，这一举动对这两个领域的从业人员会有什么影响？回答可见，其形成了思考链，具有逻辑性，回复专业；

Task 2：书生浦语试用体验，这里我提问了两个问题：

1. 对于如今的就业情况，博士生毕业后要在就业市场极具竞争力，读博期间应该怎么做？

2. 现在有些PhD课题的研究严重脱离实际产业需求，这种情况之下依然读博对于生涯规划的提升是不是有负面影响？

Task 3：体验试用了书生万象多模态大模型，其中使用的是对于图片内容的描述，给出一张图片：

描述较为全面；

Task 4部分的问题：最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？

使用MindSearch，产生回答见链接：

最近大火的中国 3A 大作《黑神话·悟空》里有什么让你难忘的精彩故事情节？ - 知乎 (zhihu.com)

Boxun111
关注
（笔记+作业）第五期书生大模型实战营---L2G1000 InternVL 部署微调实践
haidizym的博客
07-17 565
（笔记+作业）第五期书生大模型实战营---L2G1000 InternVL 部署微调实践
（笔记+作业）第五期书生大模型实战营---L1G4000 XTuner 微调 InternLM 论文分类实践
haidizym的博客
07-16 1049
（笔记+作业）第五期书生大模型实战营---L1G4000 XTuner 微调 InternLM 论文分类实践
第四期书生大模型实战营-Tutorial 7
Boxun111的博客
12-03 1256
Task 1: 任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。完成正确的问答交互并提交截图作为完成凭证；直接在浦语书生上面去试，果然出错，采用思维链的方式也回答错误；以同样的方法比较科幻小说生成，对比效果；可以看到，故事具体的细节更多，变得更丰满，而且最后多了对故事的寓言性的思考，从个人英雄主义上升到人类价值观；输入同样的问题，生成效果如下，确实效果更好，更符合现实的格式，而不使用提示工程的结果类似于故事描述；这里我选择了公文写作助手以及科幻小说生成；
第四期书生大模型实战营-Tutorial 3
Boxun111的博客
12-01 193
Task 1: 提交一份自我介绍到https://github.com/InternLM/Tutorial 的 class 分支；1. 首先登录Github账号，直接folk本次实战营的所有分支，注意不要勾选Copy the camp4 branch only。Task 2: 创建并维护一个公开的大模型相关项目或笔记仓库，新建Repository，可以选择添加readme，以后修改。5.点击Compare & pull request，注意此处要修改base为class还有修改compare，即可完成。
第四期书生大模型实战营-Tutorial 4
Boxun111的博客
12-02 250
Task 1：模型下载，首先注册一个HuggingFace账号，关联自己的Github用户名，进入Github的codespaces，选择jupyter notebook（新建hf_download_josn.py文件，写入下载模型命令。本次是对HuggingFace平台的操作熟悉，为模型下载；在终端中安装模型要运行的依赖包。
第四期书生大模型实战营-Tutorial 5
Boxun111的博客
12-03 737
7. 开源体系如下：在数据、预训练、微调、应用、评测、部署都有强大的支撑，我个人比较感兴趣的是看看数据语料库，最重要的是微调、应用（比如使用茴香豆构建自己的专业知识库）和部署方面应用于实际生产应用；11. 对于智能体的构建，提供轻量级Lagent框架（支持多模态）以及MindSearch（模拟人脑的思维路径）；4. 模型的记忆能力非常好，对于给出非常长的参考资料（一本书），定位任何位置背景信息的能力非常好；8.对于传统费时费力的数据标注工作，也有专业的工具支持，其中Label U支持多模态，我更感兴趣；
第四期书生大模型实战营-Tutorial 2
Boxun111的博客
12-01 253
Task 1: Leetcode383赎金信问题，给定字符串1和字符串2，判断字符串1是否能由字符串2里的元素构成。解题思路可以尝试映射关系，主要涉及字符串出现以及出现的次数。4. 左上角显示了每一步的变量变化情况（包含res变量），点击continue功能发现31步开始报错，原因如图，造成本bug的原因与LLM的输出有关。Task2: 通过debug功能定位到调用书生浦语API实现将非结构化文本转化成结构化json的例子的报错原因；2. 在代码中res变量这里打断点查看变化。
第四期书生大模型实战营-Tutorial 1
Boxun111的博客
11-20 202
5.下一步使用RAS-keygen进行密钥远程连接，输入ssh-keygen -t rsa，一路回车即可。本次是关于远程连接开发机的部分以及在服务机上跑一下helloworld.py。8.为了完全访问Web UI需要进行端口映射，复制实例上的自定义服务的命令。9.运行开发机，首先pip install gradio==4.29.0。1.首先在安装好的vscode的扩展界面安装SSH插件。3.选择SSH连接并且直接复制登录命令和密码，分别输入。2.安装好了之后进入书生的开发机界面并创建开发机。
第四期书生大模型实战营-Tutorial 8
Boxun111的博客
12-27 766
Task 1：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。对使用RAG技术前后大模型能力的对比，首先建立测试文件，将其中的api_key换位自己的，这里提问的问题是“xtuner是什么？首先构建基于CUDA11.7的镜像，步骤基本上与Task 1相同；首先新建开发机，配置30%A100，选择cuda12.2-conda镜像；
第四期书生大模型实战营-基础岛 第五关
2401_86139790的博客
12-23 824
对于 LoRA 或者 QLoRA 微调出来的模型其实并不是一个完整的模型，而是一个额外的层（Adapter），训练完的这个层最终还是要与原模型进行合并才能被正常的使用。对于全量微调的模型（full）其实是不需要进行整合这一步的，因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ，因此是不需要进行模型整合的。，在使用前我们需要准备好三个路径，包括原模型的路径、训练好的 Adapter 层的（模型格式转换后的）路径以及最终保存的路径。表示微调的模型权重文件路径，即要转换的模型权重，
第四期书生大模型实战营-L0G3000
souththzz的博客
11-17 280
https://github.com/InternLM/Tutorial/pull/2608 https://github.com/souththzz/Intern-project
（笔记+作业）第五期书生大模型实战营---L1G3000 LMDeploy 高效部署量化实践（作废）
haidizym的博客
06-04 478
（笔记+作业）第五期书生大模型实战营---L1G3000 LMDeploy 高效部署量化实践
书生大模型实战营-第三期-L1-OpenCompass 评测 InternLM-1.8B 实践
xidianwxm的专栏
08-10 876
除了通过命令行配置实验外，OpenCompass 还允许用户在配置文件中编写实验的完整配置，并通过 run.py 直接运行它。确保按照上述步骤正确安装 OpenCompass 并准备好数据集后，可以通过以下命令评测 InternLM2-Chat-1.8B 模型在 C-Eval 数据集上的性能。# 打开 opencompass文件夹下configs/models/hf_internlm/的hf_internlm2_chat_1_8b.py ,贴入以下代码。# 使用命令行配置参数法进行评测。
书生大模型实战营-基础关卡-6-OpenCompass 评测 InternLM-1.8B 实践
微风❤水墨
08-15 395
列出所有跟 InternLM 及 C-Eval 相关的配置 测试过程挺慢的，为了防止超时，测试结果直接导出到日志 08/14 20:33:06 - OpenCompass - INFO - Loading ceval_gen: configs/datasets/ceval/ceval_gen.py 08/14 20:33:07 - OpenCompass - INFO - Loading hf_internlm2_chat_1_8b: configs/models/hf_internlm/h
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8
12-11 1490
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
以太联的自愈功能与看门狗机制解析
最新发布
suzhou_speeder的博客
12-15 664
看门狗(Watchdog)是一种硬件或软件实现的定时器机制，其核心功能是监控系统或程序的运行状态，防止程序跑飞或陷入死循环。案例：车载以太网交换机通过硬件看门狗实时监测链路状态，若检测到链路中断(如3ms内未收到心跳包)，立即启用备用路径，确保刹车、转向等关键系统永不掉线。案例：某智能工厂的PLC(可编程逻辑控制器)采用软件看门狗，若主程序因干扰死机，看门狗机制自动重启PLC，恢复生产流程。三者协同工作，实现“设备-交换机-网络”三级自愈，显著提升网络可靠性、降低运维成本，并为企业数字化转型提供坚实基础。
精品数据分享 | 锂电池数据集（七）同济大学电池数据集
12-11 1164
本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！
AIDD-人工智能药物设计-扩散模型热力学：从 AI 提取物理能量
itwangyang520的博客
12-14 823
扩散模型的核心是加噪与去噪。这对业界的启示是，要实现精准医疗，特别是针对耐药突变的药物设计，不能仅依赖大语言模型（Large Language Model, LLM）处理序列。他们从文献和数据库中挖掘了过去被忽略的细节：氨基酸的替换、插入、缺失，以及关键的磷酸化修饰，最终整理出 4032 对新的激酶 - 配体数据。GeneGPT 曾展示了大语言模型（LLM）在生物医药领域的潜力，而 OpenBioLLM 提出了不同于 GeneGPT 单体（Monolithic）架构的方案：组建由「专家」构成的团队。
vLLM推理引擎教程4-离线推理功能
benben044的专栏
12-12 981
本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。
BTR-Django-Tutorial：Django课程项目实战
BTR-Django-Tutorial：Django课程项目是一个以实战为导向的Python Web开发学习资源，专注于使用Django这一强大的后端Web框架进行全栈项目构建。该项目由“BTR”组织或个人创建，旨在通过一个完整的课程项目帮助...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值