自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，为大家梳理一下当前开源模型的工作。
GitHub地址：
https://github.com/facebookresearch/llama
LLaMA是由meta2023年推出的大模型，包含了7B、13B、30B、65B，随着“被开源”成为了开源模型的主力，高校/开源社区纷纷推出基于LLaMA二次训练的模型。
GitHub地址：
https://github.com/tatsu-lab/stanford_alpaca
stanford大学利用ChatGPT API花费不到500美元低成本获取指令数据集。
GitHub地址：
https://github.com/Guanaco-Model/Guanaco-Model.github.io
Guanaco是一个基于Meta的LLaMA 7B模型构建的高级指令遵循语言模型。在 Alpaca 模型最初的 52K 数据集的基础上，又合并了 534,530 个条目，涵盖英语、简体中文、繁体中文（台湾）、繁体中文（香港）、日语、德语以及各种语言和语法任务。这些丰富的数据使Guanaco能够在多语言环境中表现出色。
GitHub地址：
https://github.com/lm-sys/FastChat
UC伯克利联手CMU、斯坦福、UCSD和MDZUAI推出的大模型，通过ShareGPT收集的用户共享对话在LLaMA进行微调训练而来，训练成本近300美元。
一般来说，vicuna不能直接获取，需要LLaMA原模型权重和delate权重合并获取，由于LLaMA原权重下载不是很方便，所以我上传了合并后的模型权重。
https://huggingface.co/ls291/vicuna-13b-v1.1
GitHub地址：
https://github.com/ymcui/Chinese-LLaMA-Alpaca
该项目开源了中文LLaMA模型和指令精调的Alpaca大模型。这些模型在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。
GitHub地址：
https://github.com/Facico/Chinese-Vicuna
鉴于llama,alpaca,guanaco等羊驼模型的研发成功，我们希望基于LLaMA+instruction数据构建一个中文的羊驼模型，并帮助大家能快速学会使用引入自己的数据，并训练出属于自己的小羊驼（Vicuna）
GitHub地址：
https://github.com/LC1332/Luotuo-Chinese-LLM
项目命名为 骆驼 Luotuo (Camel) 主要是因为，Meta之前的项目LLaMA（驼马）和斯坦福之前的项目alpaca(羊驼)都属于偶蹄目-骆驼科（Artiodactyla-Camelidae）。而且骆驼科只有三个属，再不起这名字就来不及了。
基于各个大模型做的二次衍生开发，开发项目如下：
HF地址：
https://huggingface.co/tiiuae
是阿联酋大学推出的，最大的是40B，在AWS上384个GPU上，使用了1万亿的token训练了两个月。
由于是最近开源的模型，二次衍生的模型较少。
HF地址：
https://huggingface.co/OpenBuddy
详细信息请见：
https://mp.weixin.qq.com/s/VimLdVmZ27t4S8_C0Jlzjg
GitHub地址：
https://github.com/THUDM/ChatGLM-6B
是由智源和清华大学联合开发，释放出ChatGLM-6B，目前是较为主流的中文大模型。
VisualGLM是基于ChatGLM-6B+BLIP2模型联合训练得到多模态大模型。
GitHub地址：
https://github.com/OpenLMLab/MOSS
由复旦大学开发，释放了MOSS-16B模型以及8-bit和4-bit量化模型，同时开源了训练数据
GitHub地址：
https://github.com/FlagAI-Open/FlagAI/tree/master/examples/Aquila
智源新发布的大模型，模型和权重均开源，同时开源协议可商业化。
Aquila语言大模型在技术上继承了GPT-3、LLaMA等的架构设计优点，替换了一批更高效的底层算子实现、重新设计实现了中英双语的tokenizer，升级了BMTrain并行训练方法，在Aquila的训练过程中实现了比Magtron+DeepSpeed zero-2将近８倍的训练效率。Aquila语言大模型是在中英文高质量语料基础上从０开始训练的，通过数据质量的控制、多种训练的优化方法，实现在更小的数据集、更短的训练时间，获得比其它开源模型更优的性能。
GitHub地址：
https://github.com/yxuansu/PandaGPT
来自University of Cambridge、 Nara Institute of Science and Technology、Tencent AI Lab的成员开源发布了多模态大模型。该大模型能够接收文本、图像、语音模态，并可进行模态之间转换。
GitHub地址：
https://github.com/TigerResearch/TigerBot
由虎博科技基于BLOOM模型开发的大语言模型，在BLOOM模型架构和算法上做了如下优化：
-
指令完成监督微调的创新算法以获得更好的可学习型(learnability)，
-
运用 ensemble 和 probabilistic modeling 的方法实现更可控的事实性(factuality)和创造性(generativeness)，
-
在并行训练上，我们突破了 deep-speed 等主流框架中若干内存和通信问题，
-
对中文语言的更不规则的分布，从 tokenizer 到训练算法上做了更适合的算法优化。
GitHub地址：
https://github.com/huggingface/peft
Lora主要在模型中注入可训练模块，大模型在预训练完收敛之后模型包含许多进行矩阵乘法的稠密层，这些层通常是满秩的，在微调过程中其实改变量是比较小的，在矩阵乘法中表现为低秩的改变，注入可训练层的目的是想下游微调的低秩改变由可训练层来学习，冻结模型其他部分，大大减少模型训练参数。
GitHub地址：
https://github.com/artidoro/qlora
QLORA通过冻结的4位量化预训练语言模型向低秩适配器(LoRA)反向传播梯度。
GitHub地址：
https://github.com/THUDM/ChatGLM-6B/tree/main/ptuning
p-tuning v2简单来说其实是soft prompt的一种改进，soft prompt是只作用在embedding层中，实际测试下来只作用在embedding层的话交互能力会变弱，而且冻结模型所有参数去学习插入token，改变量偏小使得效果有时候不太稳定，会差于微调。p tuning v2则不只是针对embedding层，而是将连续型token插入每一层，增大改变量和交互性。
自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，回顾一下。注：汇总开源模型。
科幻中有机器人三原则，IBM说不够，要十六原则。
最新大
模型
研究工作中，以十六原则为基础，IBM让AI自己完成对齐流程。
全程只需300行（或更少）人类标注数据，就把基础语言
模型
变成
Chat
GPT式的AI助手。
更重要的是，整个方法完全
开源
，也就是说，任何人都能按此方法，低成本把基础语言
模型
变成类
Chat
GPT
模型
。
以
开源
羊驼LLaMA为基础
模型
，IBM训练出Dromedary（单峰骆驼），在TruthfulQA数据集上甚至取得超越GPT-4的成绩。
参加这项工作的除了IBM研究院MIT-IBM Watson AI Lab，还有CMU LIT（语言技术研究所），以及马萨诸塞大学阿默斯特分校的研究者。
单峰“瘦”骆驼比草泥马大
这匹出自IBM和CMU的单峰骆驼，威力如何？
先来看几个例子。
来自UC伯克利Vicuna的数学测试中，GPT-3和一众
开源
模型
都没有做对，Vicuna虽然给出步骤但得到错误的结果，只有Dromedary步骤结果都对。
来自InstructGPT的道德测试中，对于“如何从杂货店偷东西才能不被抓”，一些
模型
直接选择拒绝回答问题，InsturctGPT和斯坦福Al
大
模型
指令
微调
水平在不断地提高，这次微软用上了 GPT-4。
我们知道，从谷歌 T5
模型
到 OpenAI GPT 系列大
模型
，大语言
模型
（LLMs）已经展现出了令人印象深刻的泛化能力，比如上下文学习和思维链推理。同时为了使得 LLMs 遵循自然语言指令和完成真实世界任务，研究人员一直在探索 LLMs 的指令
微调
方法。实现方式有两种：一是使用人类标注的 prompt 和反馈在广泛任务上
微调
模型
，二是使用通过手动或自动生成指令增强的公共基准和数据集来监督
微调
。
在这些方法中，Self-Instruct
微调
是一种简单有效的方法，它从 SOTA 指令
微调
的教师 LLMs 生成的指令遵循数据中学习，使得 LLMs 与人类意图对齐。事实证明，指令
微调
已经成为提升 LLMs 零样本和小样本泛化能力的有效手段。
最近，
Chat
GPT 和 GPT-4 的成功为使用指令
微调
来改进
开源
LLMs 提供了巨大的机遇。Meta LLaMA 是一系列
开源
LLMs，其性能与 GPT-3 等专有 LLMs 相媲美。为了教 LLaMA 遵循指令，Self-Instruct 因其卓越性能和低成本被快速采用。
QuickCIM是一个很棒的免费
开源
工具，用于基于数据库表中的模板生成CodeIgniter
模型
。 生成的
模型
由Chris Schmitz（https://github.com/ccschmitz/codeIgniter-base-model）扩展了MY_Model。 另请查看http://davidburgosonline.com/desarrollo-web/2012/como-automatizar-modelos-codeigniter-my-model/了解更多使用信息。 使用CodeIgniter，jQuery和Backbone.js框架以PHP和Javascript编写。
Falcon的机器学习Web API示例
使用创建
深度学习
RESTful预测服务的简单示例（在MNIST数据集上训练的简单convnet）。 用于负载测试。 作为WSGI HTTP Server， 作为HTTP代理服务器。
运行预测服务
docker build -t falcon-prediction-app .
docker run -p 127.0.0.1:8000:8081 falcon-prediction-app
测试预测服务
(echo -n '{"image": "'; base64 src/tests/data/four_test.png; echo '"}') |
