fangsfdavid的博客

书生浦语大模型实战营第4期-MindSearch快速部署

书生浦语大模型实战营第四期—LMDeploy量化部署进阶实战

在书生·浦语 Chat Web 中使用。

书生浦语大模型实战营第四期-Lagent自定义你的Agent智能体

书生浦语大模型实战营第四期-InternVL 多模态模型部署微调实践

书生浦语大模型实战营第四期-L1-玩转书生「多模态对话」与「AI搜索」产品 - 任务

书生浦语大模型实战营第四期-OpenCompass评测书生大模型实践

书生浦语大模型实战营第四期-书生大模型全链路开源体系

书生浦语大模型实战营第四期-XTuner微调个人助手认知

书生浦语大模型实战营第四期-InternLM+LlamaIndexRAG实践

书生浦语大模型实战营第四期-浦语提示词工程实践

书生浦语大模型实战营第四期：玩转HuggingFace、魔塔社区、魔乐社区平台

书生浦语大模型实战营第四期-Git前置基础

书生浦语大模型实战营第四期：Linux前置基础

书生浦语大模型实战营第四期：python前置基础

书生浦语大模型春节实战营课程内容个人笔记&作业汇总。

ch6-homework-OpenCompass大模型评测

随着人工智能技术的快速发展， 大规模预训练自然语言模型成为了研究热点和关注焦点。OpenAI于2018年提出了第一代GPT模型，开辟了自然语言模型生成式预训练的路线。沿着这条路线，随后又陆续发布了GPT-2和GPT-3模型。与此同时，谷歌也探索了不同的大规模预训练模型方案，例如如T5, Flan等。OpenAI在2022年11月发布ChatGPT，展示了强大的问答能力，逻辑推理能力和内容创作能力，将模型提升到了实用水平，改变人们对大模型能力的认知。

ch5-homework-基于LMDeploy的大模型量化部署实践

ch5-LMDeploy大模型量化部署实践

基本思路：整个微调流程跟上面其实是一样的，只是训练的数据集需要自己搞定一下，这个参考一下教程的自定义数据集微调部分或者案例https://github.com/InternLM/tutorial/blob/main/xtuner/self.md所提到的即可，生成相应的。构建数据集，使用 XTuner 微调 InternLM-Chat-7B 模型, 让模型学习到它是你的智能小助手，效果如下图所示，本作业训练出来的模型的输出需要。运行之后，同样会先加载模型，需要几分钟时间，后面就可以愉快的开始对话了~

ch4-XTuner大模型单卡低成本微调实战

ch3-homework-基于InternLM和LangChain搭建自己的知识库

基于InternLM大模型和LangChain搭建自己的知识库

ch2-homework-demo实践

ch2-轻松玩转书生浦语大模型趣味Demo

ch1-书生浦语大模型全链路开源体系介绍。