AbelYang1的博客

使用 OpenCompass 评测 internlm2.5-chat-1.8b 模型在 ceval 数据集上的性能，记录复现过程并截图。用 CMMLU Benchmark 的每个子数据集的 1 个样本进行评测，遇到问题。使用 OpenCompass 评测浦语 API 记录复现过程并截图。首先创建 conda 环境。为评测浦语 API 准备。

在 XTuner 中提供了一键合并的命令 xtuner convert merge，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。该命令需要三个参数：LLM 表示原模型路径，ADAPTER 表示 Adapter 层的路径， SAVE_PATH 表示合并后的模型最终的保存路径。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。

（必做，参考readme_api.md）：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。（优秀学员必做） ：将 Streamlit+LlamaIndex+浦语API的 Space 部署到 Hugging Face。在 HF space 项目设置里添加 API_KEY。使用 API+LlamaIndex 得到想要的答案。

具体表现在文字创作能力上，风格更鲜明，语言更优美，结构更清晰，对话更流畅；在流程上，能够遵循合理的安慰步骤，提供更有针对性的回应。将不使用系统提示的书生浦语大模型作为 baseline 对比，提交的系统提示词要指导LLM表现出比baseline更高的性能，提供对比截图并加以分析说明即可。：近期相关研究指出，在处理特定文本分析任务时，语言模型的表现有时会遇到挑战，例如在分析单词内部的具体字母数量时可能会出现错误。更好的文字创作能力（更明显的风格、更优美的文字、更准确的格式、更流畅的对话）

2024 年诺贝尔物理学奖为何会颁发给人工智能领域，这一举动对这两个领域的从业人员会有什么影响？- Celeste的回答 - 知乎。

课程详细介绍了书生·浦语大模型的开源开放体系及其发展历程，使我深刻理解了开源在推动技术进步和知识共享中的重要性，同时也激发了我参与开源社区、贡献力量的热情。

使用Hugging Face平台、魔搭社区平台（可选）和魔乐社区平台（可选）下载文档中提到的模型（至少需要下载config.json文件、model.safetensors.index.json文件），请在必要的步骤以及结果当中截图。将我们下载好的config.json文件（也自行添加其他模型相关文件）上传到对应HF平台和魔搭社区平台，并截图。在HF平台上使用Spaces并把intern_cobuild部署成功，关键步骤截图。Space上传（可选）

将此项目报名参加第四期实战营项目评选将解锁 30% A100 和 168 团队算力点资源，报名链接：https://aicarrier.feishu.cn/wiki/JuXvwHzGni2A2Rksd8Rczpvxngb。提交地址：https://github.com/InternLM/Tutorial 的 class 分支～接着提交内容并合并分支，https://github.com/InternLM/Tutorial/pull/2526。提交作业时，提供您的 GitHub 仓库链接。

题意：给你两个字符串：ransomNote 和 magazine ，判断 ransomNote 能不能由 magazine 里面的字符构成。magazine 中的每个字符只能在 ransomNote 中使用一次。选择“Python File” 自动生成基本调试配置，在关键变量地方设置好断点，启动调试器查看变量发现。可用于便捷地计数可哈希对象。它是一个字典的子类，主要用于计算元素的频率。Leetcode 383(笔记中提交代码与leetcode提交通过截图)方法去除标记即可，最终代码和运行效果如下。

完成SSH连接与端口映射并运行hello_world.py。