书生·浦语大模型开源体系（六）作业

最新推荐文章于 2025-07-24 23:32:28 发布
最新推荐文章于 2025-07-24 23:32:28 发布
阅读量355 收藏 1
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 资讯 文章标签： 笔记
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。
本文链接：https://blog.youkuaiyun.com/null18/article/details/138202580
本文是一篇关于技术博客的介绍，提供如何使用技术解决问题的方法，包括学习路径。博主鼓励读者订阅并参与互动，共同构建积极的知识社区。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。谢谢你的光临，让我们一起踏上这个知识之旅！
请添加图片描述

文章目录

🍋基础作业+进阶作业

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

挑战与创造都是很痛苦的，但是很充实。

书生·浦语大模型全链路开源体系（LLM/AGENT/多模态/应用部署）从入门到精通
熊猫小妖的AI世界
04-17 1226
书生浦语LLM大模型教程
【 书生·浦语大模型实战营】学习笔记（二）：轻松玩转书生·浦语大模型趣味Demo
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-05 1435
本文为实战营第二次课程笔记，主要分为两个部分，第一部分部署 InternLM2-Chat-1.8B 模型进行智能对话。第二部分为完成 Lagent 工具调用 数据分析 Demo 部署，后续系列会继续更新，欢迎大家交流！
书生·浦语大模型全链路开源体系-作业1
gy77
05-27 565
大型语言模型的历史可以追溯到2017年,当时OpenAI推出了GPT-1(Generative Pre-trained Transformer)模型,这是一个基于Transformer架构的语言生成模型,在多个自然语言处理任务上取得了突破性进展。通用大模型是指参数量巨大、覆盖广泛的通用模型,这些模型通过海量的训练数据积累了丰富的知识和能力,能够适用于多种不同的任务和模态。相比之前的专用模型,大模型具有更强的迁移学习能力,可以通过少量的细化训练在特定任务上发挥出色的性能。1. 工具链极其完善！
书生·浦语大模型开源体系（七）作业
null18的博客
04-26 516
💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。
书生·浦语大模型开源体系（二）作业
null18的博客
04-02 357
💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。
书生·浦语大模型开源体系（四）作业
null18的博客
04-24 284
💗💗💗欢迎来到我的博客，你将找到有关如何使用技术解决问题的文章，也会找到某个技术的学习路线。无论你是何种职业，我都希望我的博客对你有所帮助。最后不要忘记订阅我的博客以获取最新文章，也欢迎在文章下方留下你的评论和反馈。我期待着与你分享知识、互相学习和建立一个积极的社区。
书生・浦语大模型开源开放体系：开启智能新时代
qq_51046480的博客
12-11 740
在本次精彩纷呈的课程中，我们深入探究了书生・浦语（Informer）大模型的开源开放体系及其波澜壮阔的发展历程，全方位领略了其在人工智能领域所展现出的卓越魅力与巨大潜力。
书生 浦语大模型实战营-作业 1
kuangkaiming的博客
01-10 611
大模型成为热门关键词大模型成为发展通用人工智能的重要途径从专用模型到通用模型书生大模型的开源历程。
书生·浦语大模型实战营合集
个人小站：www.xiaowangyun.com
04-18 1101
书生·浦语大模型实战营
书生·浦语入门岛作业（书生大模型全链路开源体系）
m0_74997196的博客
11-04 132
开源历史：InternLM性能天梯：书生·浦语2.5模型概览 ：迭代的核心思路：解决问题的思路对比：社区生态：数据：数据处理工具箱：与训练internEvo：微调Xtuner：OpenCompass评测体系：LMDeploy的部署：智能体Lagent：实战项目：
书生·浦语大模型全链路开源体系（第二期学员笔记总结）
DizzyOK的博客
05-23 1840
书生·浦语大模型实战营第二期初夏场，记录一下第一节课的视频作业和文档作业。
大模型部署_书生浦语大模型 _作业1基本理论
cfy2401926342的博客
05-21 768
上海人工智能实验室与商汤科技联合香港中文大学、复旦大学发布新一代大语言模型书生·浦语2.0（InternLM2）。这个大模型包含70亿和200亿两种参数规格，以及基座、对话等版本，向全社会开源并提供免费商用授权。书生·浦语2.0（英文名：InternLM2）核心理念：回归语言建模的本质，致力于通过提高语料质量及信息密度，实现模型基座语言建模能力获得质的提升，进而在数理、代码、对话、创作等各方面都取得长足进步，综合性能达到同量级开源模型的领先水平。
第二期书生浦语大模型实战营第一次作业（大模型技术报告解读）
chao_666666的博客
03-31 1157
本报告阐述了InternLM2的训练过程，包括训练框架、预训练文本数据、预训练代码数据、预训练长文本数据和对齐数据。在创新技术上，针对强化学习后训练（RLHF）过程中遇到的偏好冲突，提出了条件在线RLHF方法，以协调不同的偏好。
【 书生·浦语大模型实战营】学习笔记（七）：大模型评测实战
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
05-03 1408
本篇笔记内容主要为【 书生·浦语大模型实战营】学习笔记（七）：大模型评测实战 ，主要对OpenCompass 大模型评测部分详细介绍，欢迎大家交流学习！
QOwnNotes：跨平台笔记管理的高效之选
2501_90839605的博客
07-23 592
QOwnNotes 作为一款功能强大的跨平台笔记应用程序，凭借其简洁的界面、强大的功能和高度的灵活性，迅速赢得了用户的青睐。它不仅支持多种操作系统，还提供了丰富的笔记管理、任务管理和清单功能，满足了用户在工作和学习中的多样化需求。QOwnNotes 的性能表现非常出色，它能够快速响应用户的操作，无论是加载笔记、搜索内容还是同步数据，都能在短时间内完成。- 笔记加密：为了保护用户的隐私，QOwnNotes 支持笔记加密功能，用户可以为重要笔记设置密码，确保只有授权用户才能查看。
光通信从入门到精通：PDH→DWDM→OTN 的超详细演进笔记
最新发布
m0_46808930的博客
07-24 504
本文系统梳理了光通信技术从PDH到DWDM再到OTN的演进历程。文章以高速公路为比喻，深入浅出地讲解了关键技术概念：光纤的C/L波段因其低损耗特性成为DWDM首选；DWDM通过多波长复用大幅提升容量；OTN则在DWDM基础上构建智能调度系统，实现端到端业务传输。文中对比了SDH与OTN的技术差异，指出OTN正成为骨干网主流技术。最后介绍了华为、诺基亚等厂商的商用产品，展示了当前400G骨干网的应用实践。全文通过清晰的图表和比喻，帮助读者理解光通信发展的核心技术脉络。
ROS个人笔记
weixin_62742821的博客
07-22 362
（2）设置环境变量，顺便建立devel文件夹（不过这个文件和bulid文件好像catkin_make会自动生成），source devel/setup.bash（3）catkin_make install生成安装空间（4）在src文件夹中创立功能包：catkin_create_pkg 名字 依赖（如rospy roscpp，std_msgs基本上都要这三个）（5）做出修改后最好重新catkin_make一下。2.ROS有四大工作区间，套用单片机工程来理解：src是存功能包的，即类似存main等函数。
sqli-labs通关笔记-第11关 POST字符型注入(单引号闭合 手工注入+脚本注入两种方法)
mooyuan的网络安全博客
07-21 1062
SQLI-LABS 是一个专门为学习和练习 SQL 注入技术而设计的开源靶场环境，本小节通过手工注入和脚本注入共2种方法对第11关Less 11基于字符型的SQL注入关卡进行渗透实战，相对于前1-10关的最主要区别是报文参数的请求方法由GET变为POST。  
QML速学笔记1
charlie114514191的博客
07-24 221
QML速学笔记摘要 本文介绍了QML基础组件的使用方法，重点讲解了Window、Rectangle和Item三种核心组件。 Window组件是QML应用的顶级窗口容器，主要属性包括： 窗口可见性(visible)、大小(width/height) 标题(title)、最小/最大尺寸限制 窗口标志(flags)、背景色(color) 位置(x/y)、模态类型(modality) Rectangle组件用于创建可视化元素，支持： 大小(width/height)、颜色(color) 圆角(radius)、边框(
书生浦语大模型作业
05-13
### 书生浦语大模型作业实现指南 #### 1. 环境配置与模型加载 为了完成与书生浦语大模型相关的作业，首先需要确保基础环境已正确配置。可以通过指定 `local_llm_path` 参数来加载本地模型文件夹路径或 Huggingface 上的模型名称，例如 `"internlm/internlm2-chat-7b"` 或 `"qwen/qwen-7b-chat-int8"` [^1]。此外，还需设置参数 `local_llm_max_text_length`，以定义模型可接受的最大文本长度。 对于具体操作步骤，可以参考如下 Python 示例代码： ```python from transformers import AutoTokenizer, AutoModelForCausalLM model_name_or_path = "internlm/internlm2-chat-7b" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) max_input_length = model.config.max_position_embeddings print(f"Maximum input length supported by the model: {max_input_length}") ``` #### 2. 数据准备与微调策略 在实际应用中，可能需要对书生浦语大模型进行微调以适配特定任务需求。常见的微调方式包括 **增量预训练** 和 **指令跟随微调** [^3]。前者适用于引入新的领域知识（如行业术语、技术文档），后者则用于优化模型的对话能力。 以下是针对不同场景的数据准备建议： - 如果目标是提升模型的知识覆盖范围，则应收集相关领域的文章、书籍或其他结构化数据作为训练集； - 若旨在增强交互效果，则需构建高质量的人机对话样本集合。 #### 3. 功能开发实例——图文创作工具 利用书生浦语及其衍生版本（如浦语·灵笔2），开发者能够快速搭建具备先进图文生成能力的应用程序 [^2]。下面展示了一个简单的 CLI 接口设计思路，允许用户输入自定义主题并获得相应的文字描述及配套插图链接。 ```python def generate_article_with_images(prompt): response = model.generate( tokenizer.encode(prompt, return_tensors="pt"), max_new_tokens=500, num_beams=4, no_repeat_ngram_size=2 ) decoded_output = tokenizer.decode(response[0], skip_special_tokens=True) article_content, image_url_list = parse_response(decoded_output) # 自定义解析逻辑 return {"text": article_content, "images": image_url_list} if __name__ == "__main__": user_prompt = input("请输入您的创意方向：") result = generate_article_with_images(user_prompt) print(result["text"]) for idx, img_link in enumerate(result["images"]): print(f"[Image {idx+1}] URL: {img_link}") ``` > 注：以上仅为伪代码框架示意，请根据实际情况调整函数内部实现细节以及依赖库的选择。 #### 4. 常见问题分析与改进措施 尽管书生浦语系列表现出众，但在某些复杂查询情境下仍可能存在不足之处 [^5]。比如，当面对高度相似的信息源时，可能会倾向于优先选用最早录入的内容而忽略后续更新更优解的可能性。对此现象可通过以下方法缓解： - 扩展检索范围至整个数据库而非局限于前几条记录； - 结合外部搜索引擎动态补充实时资讯； - 定期维护知识库内容保持时效性和准确性。 ---
评论 1
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

打赏作者

小馒头学python

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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