离线版大模型应用：ChatGLM2、Baichuan2、LLAMA2与Alpaca2桌面支持

最新推荐文章于 2025-11-26 15:59:01 发布
转载 最新推荐文章于 2025-11-26 15:59:01 发布 · 106 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://www.bishexiangmu.com
文章标签：

#java

点击前往网站首页

大模型桌面离线版App
主要特性
  • 支持中/英文
  • 模型支持chatglm2，baichuan2，llama2，alpaca2等
  • 支持4位，8位量化，16位半精度模型。
  • 支持windows及mac系统
  • 支持CPU，GPU
功能介绍
  • 选择模型，并运行

  • 创建新的对话，与模型聊天

点击前往网站首页

大模型结构介绍，chatglm2模型的创新点
10-30
目录 1.GML核心创新 2.GML网络创新 3.ChatGML2的新改动 4.ChatGML2的微调
大模型笔记之-ChatGLM2微调（基于Windows10 22H2+RTX2080ti 实现）
JunHowie的个人Blog
11-03 3918
本文仅仅简单介绍了如何在Windows环境下微调及使用ChatGLM2-6B
三个开源大模型(chatglm2-6B, moss, llama)-chatglm2的测试
weixin_44674211的博客
07-27 730
在个人PC上安装 chatglm2-6B后的测试情况给大家介绍一下。分别从用户身份、编程计算能力、和推理能力等几个方面进行测试。
ChatGLM2发布！中文榜单开源模型排名第一！8-32k上下文，推理提速42%
夕小瑶科技说
06-26 1931
来源 | GLM技术团队自3月14日发布以来， ChatGLM-6B 深受广大开发者喜爱，截至 6 月24日，来自 Huggingface 上的下载量已经超过 300w。截至6月25日▲CEval榜单，ChatGLM2暂时位居Rank 0，ChatGLM2-6B位居 Rank 6。
ChatGLM2-6B模型推理流程和模型架构详解
jpw41的博客
10-28 1万+
ChatGLM2-6B模型结构拆解和推理流程，含具体的矩阵维度拆解。
大模型桌面App（离线版）- 支持chatglm2，baichuan2，llama2，alpaca2等
weixin_39355136的博客
10-08 352
选择模型，并运行创建新的对话，与模型聊天点击前往网站首页。
大模型巅峰对决：LLaMA、Baichuan、ChatGLM、Qwen与天工全面对比分析
xziyuan的博客
07-25 2366
llama2-chat使用3w条高质量SFT数据，更小学习率，2epoch，user_prompt不计算loss。相比llama1，数据增加40%，长度增加一倍，使用了group-query attention。训练中logits值偏大，在推理时，对重复惩罚参数比较。损失使用的是binary ranking loss，使用了margin进一步优化。llama2-chat是在llama2基础版本的基础上使用有监督微调和RLHF。支持UTF-8 character的byte编码，对未知词全覆盖。
LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM-2/LLaMA-2/Baichuan等】的高效工具【预训练+指令监督微
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-30 6115
​ LLMs：LLaMA Efficient Tuning(一款可高效微调【全参数/LoRA/QLoRA】主流大模型【ChatGLM-2/LLaMA-2/Baichuan等】的高效工具【预训练+指令监督微调+奖励模型训练+PPO 训练+DPO 训练】)的简介、安装、使用方法之详细攻略 目录 相关文章 LLaMA Efficient Tuning的简介 LLaMA Efficient Tuning的的安装 ChatGLM Efficient Tuning的使用方法
LLaMA的解读与其微调(含LLaMA 2)：Alpaca-LoRA/Vicuna/BELLE/中文LLaMA/姜子牙
热门推荐
结构之法 算法之道
03-22 8万+
还开始研究一系列开源模型(包括各自对应的模型架构、训练方法、训练数据、本地私有化部署、硬件配置要求、微调等细节)​该项目部分一开始是作为此文《》的第4部分，但但随着研究深入 为避免该文篇幅又过长，将把『第4部分 开源项目』抽取出来 独立成本文。
自然语言处理_基于PyTorch的PEFT微调框架与多模型集成_支持Baichuan2_Chinese-LLaMA-Alpaca-2_Qwen_Qwen2等大语言模型的指令微调_知.zip
07-14
在这个框架下，特别支持了诸如Baichuan2、Chinese-LLaMA、Alpaca-2、Qwen和Qwen2等众多大型语言模型。这些模型代表了当前NLP领域的先进水平，它们在理解和生成自然语言方面表现出色，能够处理广泛的语言任务，如文本...
主流开源大模型介绍ChatGLM,LLaMA,Baichuan,BLOOM
06-25
### 主流开源大模型介绍：ChatGLM, LLaMA, Baichuan, BLOOM #### LLM主流大模型类别概述 随着人工智能技术的飞速发展，特别是以ChatGPT为代表的生成式AI的出现，引发了全球范围内对于大规模语言模型（LLM）的关注...
【类ChatGPT】中文LLaMA-2、Alpaca-2 二代羊驼大模型体验
nlpstarter的博客
08-02 4891
最近Meta全新发布了Llama-2，效果更上一层楼。本期介绍了之前一直在用的中文LLaMA&Alpaca羊驼大模型的二期项目，做了一些简单的效果评测。
Firefly-LLaMA2-Chinese - 开源中文LLaMA2大模型
AI工程化、开源分享、文档翻译、代码笔记
10-06 559
7B与13B模型，最终参与训练的参数量分别约为612.9M和816.6M。对于每一条文本，进行tokenize之后，我们将会采用滑动窗口的形式截取训练数据，其中滑动窗口的长度为max_seq_length，滑动步长为window_step_size，我们舍弃小于min_seq_length的数据。当数据量非常大的时候，tokenize是个非常耗时的操作，因此我们将tokenize后的数据缓存在data_path/train.pkl中，当后续需要再次训练时，可直接读取该缓存，无需再次进行tokenize。
【LLM模型篇】LLaMA2 | Vicuna | EcomGPT等
发现问题，并解决问题，批判性思维
09-02 3972
EcomGPT：电商领域大模型 解决问题：解决电商场景任务（如品牌识别，评价解析，广告文案生成等） 论文链接：https://arxiv.org/abs/2308.06966 GitHub链接：https://github.com/Alibaba-NLP/EcomGPT 1. sft数据 从学术论文或竞赛平台等开放数据源收集了共65个各种电商任务数据集，包括命名实体识别、评论问答、商品类目预测、多轮对话等传统的自然语言处理任务。这些开源数据集的任务都是由领域专家设计，然后由受过培训的人工标注，数据质量很高
MyBatis + PageHelper 分页内幕，PageHelper 是如何动态构建 LIMIT 分页 SQL 的
最新发布
日常笔记 | 干货分享 | 毕设源码 | 毕设指导 | 答辩指导
11-26 246
若依系统中有很多的表格数据、后端接口实体中并没有看到有接收分页大小和页码的属性，在系统的mapper层面SQL语句中并没有看到对应的分页限制。它是如何实现这个分页效果的呢？是将所有的数据查询出来，然后再分页吗？这样效率岂不是非常低。带着这样的疑问，稍微研究了一下这个系统的分页方法。更多详细文章后端是通过从 HttpServletRequest 对象中获取分页的页码和大小，然后创建Page分页对象，在执行sql查询的时候，动态构建分页限制条件。从而实现分页，并不是在查询到所有数据之后再进行的分页处理。
2025最新 SpringCloud 教程，Nacos-总结，笔记19
Rockandrollman的博客
11-25 182
2025最新 SpringCloud 教程，Nacos-总结，笔记19
Java原生网络编程-BIO与NIO
照母山挖洋芋
11-24 780
摘要：本文对比了Java原生JDK中的BIO(阻塞I/O)和NIO(非阻塞I/O)网络编程模型。BIO采用"一连接一线程"模式，存在线程资源浪费和性能瓶颈问题，可通过线程池优化为伪异步I/O模型。NIO通过Selector、Channel和Buffer三大核心组件实现非阻塞通信，支持单线程管理多个通道。重点介绍了NIO的Reactor模式、事件类型(OP_READ/OP_WRITE等)及服务端/客户端的不同关注点，展示了NIO相比BIO在高并发场景下的优势。（149字）
Java集合框架实战：构建高效的企业管理系统
2402_83075343的博客
11-23 1016
本文通过两个企业管理系统案例，详细解析了Java集合框架的核心应用。员工部门管理系统采用HashMap实现部门与员工的高效映射，具备智能添加、快速查询和动态统计功能；商品库存管理系统基于ArrayList实现精细化管控，包含智能录入、库存预警和价格排序等特性。文章对比了HashMap和ArrayList的特性差异，提供了集合选型的最佳实践，并探讨了系统扩展方向。这两个实战案例展示了集合框架在企业应用中的实际价值，为开发者掌握Java集合提供了实用参考。
Spring Boot与MyBatis
2509_94083104的博客
11-23 1034
Spring Boot是一个用于创建独立的、基于Spring的生产级应用程序的框架，它简化了Spring应用的初始搭建以及开发过程。MyBatis是一款优秀的持久层框架，它支持定制化SQL、存储过程以及高级映射。将Spring Boot和MyBatis结合使用，可以高效地开发数据驱动的应用程序。
LLaMA-Factory微调大模型全流程实战教程
LLaMA-Factory 是一个专为大语言模型（Large Language Models, LLMs）设计的高效训练与微调框架，其核心目标是降低开发者在进行模型定制化训练时的技术门槛，提升开发效率，并支持多种主流开源大模型的快速适配。...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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