Llama模型是一个用于自然语言处理的大型语言模型，它由Meta AI开发，拥有65亿个参数。该模型的目的是帮助研究者在AI的子领域中推进他们的工作。Llama模型结构巨大，最小的模型LLaMA 7B也经过了超过1万亿个代币的训练。Llama模型的论文比较冗长，但通过阅读页面，可以了解该模型的下载方法和使用指南。除此之外，Llama模型的表现被认为比OpenAI的ChatGPT更优秀，部署教程和泄露版模型已经都被公开。

wget https://agi.gpt4.org/llama/LLaMA/tokenizer.model -O ./tokenizer.model
wget https://agi.gpt4.org/llama/LLaMA/tokenizer_checklist.chk -O ./tokenizer_checklist.chk
wget https://agi.gpt4.org/llama/LLaMA/7B/consolidated.00.pth -O ./7B/consolidated.00.pth
wget https://agi.gpt4.org/llama/LLaMA/7B/params.json -O ./7B/params.json
wget https://agi.gpt4.org/llama/LLaMA/7B/checklist.chk -O ./7B/checklist.chk
wget https://agi.gpt4.org/llama/LLaMA/13B/consolidated.00.pth -O ./13B/consolidated.00.pth
wget https://agi.gpt4.org/llama/LLaMA/13B/consolidated.01.pth -O ./13B/consolidated.01.pth
wget https://agi.gpt4.org/llama/LLaMA/13B/params.json -O ./13B/params.json
wget https://agi.gpt4.org/llama/LLaMA/13B/checklist.chk -O ./13B/checklist.chk
wget https://agi.gpt4.org/llama/LLaMA/30B/consolidated.00.pth -O ./30B/consolidated.00.pth
wget https://agi.gpt4.org/llama/LLaMA/30B/consolidated.01.pth -O ./30B/consolidated.01.pth
wget https://agi.gpt4.org/llama/LLaMA/30B/consolidated.02.pth -O ./30B/consolidated.02.pth
wget https://agi.gpt4.org/llama/LLaMA/30B/consolidated.03.pth -O ./30B/consolidated.03.pth
wget https://agi.gpt4.org/llama/LLaMA/30B/params.json -O ./30B/params.json
wget https://agi.gpt4.org/llama/LLaMA/30B/checklist.chk -O ./30B/checklist.chk
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.00.pth -O ./65B/consolidated.00.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.01.pth -O ./65B/consolidated.01.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.02.pth -O ./65B/consolidated.02.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.03.pth -O ./65B/consolidated.03.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.04.pth -O ./65B/consolidated.04.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.05.pth -O ./65B/consolidated.05.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.06.pth -O ./65B/consolidated.06.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/consolidated.07.pth -O ./65B/consolidated.07.pth
wget https://agi.gpt4.org/llama/LLaMA/65B/params.json -O ./65B/params.json
wget https://agi.gpt4.org/llama/LLaMA/65B/checklist.chk -O ./65B/checklist.chk
                    Llama模型是一个用于自然语言处理的大型语言模型，它由Meta AI开发，拥有65亿个参数。该模型的目的是帮助研究者在AI的子领域中推进他们的工作。Llama模型结构巨大，最小的模型LLaMA 7B也经过了超过1万亿个代币的训练。Llama模型的论文比较冗长，但通过阅读页面，可以了解该模型的下载方法和使用指南。除此之外，Llama模型的表现被认为比OpenAI的ChatGPT更优秀，部署教程和泄露版模型已经都被公开。
参数量级130亿，大小比肩最近Meta开放的LLaMA-13B，但从数据集、模型权重到计算优化训练，全部开源。
最关键的是，可商用。
没错，虽然就GPT-3而言，之前DeepMind、Meta等组织陆陆续续开源过几个模型，不过基本都是半遮半掩。
尤其最接近GPT-3的Meta OPT模型，不仅权重只开放给研究者，而且不可商用：
这意味着之前企业就算能抄作业，抄来的也没办法直接用。
现在，一家名叫Cerebras的公司开源了这一系列GPT模型，业界终于有机会追赶了。
模型性能如何？
Cerebras一共开源了7个GPT模型，参数量分别达到1.11亿、2.56亿、5.9亿、13亿、27亿、67亿和130亿。
据Cerebras公司表示，他们开放出来的模型不仅包含数据集，可用于研究也可商用，而且关键是预训练模型权重开放（从下图来看文件大小近50G）。
基于他们公开的预训练模型，大伙儿只需要用少量的数据对对模型进行微调，就能构建出效果不错的模型来。
除此之外，这次GPT模型的训练还额外考虑到了计算优化训练（Compute-Optimal Training）
				
自从Meta开源LLaMA之后，学术界内各种类ChatGPT模型如雨后春笋般开始发布。
先是斯坦福提出了70亿参数Alpaca，紧接着又是UC伯克利联手CMU、斯坦福、UCSD和MBZUAI发布的130亿参数Vicuna，在超过90%的情况下实现了与ChatGPT和Bard相匹敌的能力。
最近伯克利又发布了一个新模型「考拉Koala」，相比之前使用OpenAI的GPT数据进行指令微调，Koala的不同之处在于使用网络获取的高质量数据进行训练。
在发布的博客文章中，研究人员描述了模型的数据集管理和训练过程，同时也展示了用户研究的结果，将该模型与ChatGPT和斯坦福大学的Alpaca模型进行了比较。
研究结果表明，Koala可以有效地回答各种用户的查询，生成的回答往往比Alpaca更受欢迎，至少在一半的情况下与ChatGPT的效果不相上下。
研究人员希望这次实验的结果可以进一步推动围绕大型闭源模型相对于小型公共模型的相对性能的讨论，特别是结果表明，对于那些能在本地运行的小模型，如果认真地收集训练数据，也可以取得大模型的性能。
这可能意味着，社区应该投入更多的精力来管理高质量的数据集，
 该机器人的创建是其自身的非营利项目。 这个想法的目的是统一所有可以帮助学生完成不同任务的工具。
安装 :wrench:
 在电报搜索引擎中输入@ESFMBot并单击它。 当您离开对话时，对话将出现在您的供稿中。
用 :video_game:
 要开始使用它，请单击开始按钮，然后键入/帮助。
笔记 :open_book:
 该库中的内容是该bot的基本代码，因此任何想要创建其bot的人都可以使用它。 但是，您必须具有Python的先验知识，并且必须具有虚拟机来承载并保持实例运行。 您可以通过以下两种方式在Python中创建漫游器：
El programa main se llama BotESFMV2.py