ChatGLM-6B 和 ChatGLM2-6B都是基于 General Language Model (GLM) 架构的对话语言模型，是清华大学 KEG 实验室和智谱 AI 公司于 2023 年共同发布的语言模型。模型有 62 亿参数，一经发布便受到了开源社区的欢迎，在中文语义理解和对话生成上有着不凡的表现。
ChatGLM-6B 可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。ChatGLM-6B 针对中文问答和对话进行了优化，经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，已经能生成相当符合人类偏好的回答。
ChatGLM2-6B 则是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：
-
更强大的性能：基于 ChatGLM 初代模型的开发经验，全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。
-
更长的上下文：基于 FlashAttention 技术，将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，会在后续迭代升级中则有望进行优化。
-
更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，推理速度相比初代提升了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。
目前 ChatGLM-6B 以及 ChatGLM2-6B 均可通过登记进行商用，为方便大家使用，矩池云已第一时间获取到相关权限并上线了这两个模型的镜像，后续也会根据模型更新而进行镜像迭代，以下是在矩池云上使用 ChatGLM2-6B 的方法，ChatGLM-6B 的使用方法与其一致。
硬件要求
矩池云已经配置好了 ChatGLM-6B 和 ChatGLM2-6B 环境，显存需要大于13G。可以选择 A4000、P100、3090 或更高配置的显卡。
租用机器
在矩池云主机市场：https://matpool.com/host-market/gpu，选择显存大于13G的机器，比如 A4000 显卡，然后点击租用按钮（选择其他满足显存要求的显卡也可以）。
租用页面，搜索 ChatGLM2-6B，选择这个镜像，再点击租用即可。
机器租用成功后，你会看到 8000 端口对应链接，这是 ChatGLM2-6B 默认的 api 接口，镜像已经设置了开机自启，也就是说现在可以直接调用这个接口使用 ChatGLM2-6B 了。
使用 ChatGLM2-6B api
调用 ChatGLM2-6B api 需要发送 POST 请求。前面租用机器我们自定义了 8000 端口，在租用页面可以获得对应的公网链接，比如：https://hz.xxxx.com:xxxx/?token=xxxxx
需要注意，实际我们请求不需要 token，所以直接用：https://hz.xxxx.com:xxxx 这段即可。
curl请求：
curl -X POST "https://hz.xxxx.com:xxxx" \
-H 'Content-Type: application/json' \
-d '{"prompt": "你好", "history": []}'
Python请求：
import requests
import json
def getGLM(prompt, history):
'''
curl -X POST "https://hz.xxxx.com:xxxx" \
-H 'Content-Type: application/json' \
-d '{"prompt": "你好", "history": []}'
'''
url = 'https://hz.xxxx.com:xxxx'
# 设置请求头
headers = {
'Content-Type': 'application/json'
}
data = {
'prompt': prompt,
'history': history
}
# 发送请求并获取响应
response = requests.post(url, headers=headers, data=json.dumps(data))
# 检查响应状态码
if response.status_code == 200:
# 获取响应数据
rsp = response.json()
return rsp
else:
print('请求失败，状态码：', response.status_code)
# 测试请求
history=[]
prompt = "假设你是一位Python高手，请用Python Pandas 模块实现一个Excel文件批量合并脚本"
getGLM(prompt, history)
A4000 回复复杂点的问题（回复字数1.5k左右），耗时 20-40s 左右。
ChatGLM2-6B 也有 web demo，大家也可以运行测试，具体的使用方法如下文。
运行 ChatGLM2-6B web demo
首先我们需要 kill 掉系统开启自启的 ChatGLM2-6B API 服务，Jupyterlab 里新建一个 Terminal，然后输入下面指令查看api服务器进程id。
ps aux | grep api.py
kill 掉相关进程，从上面运行结果可以看出，api.py 进程id是5869，执行下面指令即可 kill 相关进程：
# 注意 5869 换成你自己租用服务器里查出来的 api.py 程序的进程id
# 注意 5869 换成你自己租用服务器里查出来的 api.py 程序的进程id
# 注意 5869 换成你自己租用服务器里查出来的 api.py 程序的进程id
kill 5869
运行 ChatGLM2-6B 版本 运行
# 进入项目目录
cd /ChatGLM2-6B
# 安装依赖
pip install streamlit streamlit_chat
# 启动脚本
streamlit run web_demo2.py --server.port 8000 --server.address 0.0.0.0
运行后服务会启动到 8000端口，host 设置成0.0.0.0，这样我们访问租用页面 8000 端口链接即可访问到对应服务了。
前面租用机器我们自定义了 8000 端口，在租用页面可以获得对应的公网链接：
比如：https://hz.xxxx.com:xxxx/?token=xxxxx
需要注意的是，实际上我们在请求时候不需要 token，所以使用的地址直接用：https://hz.xxxx.com:xxxx 这段即可。
浅尝试一下生成的效果还不错，这个问题的回答有点出乎意料，给了一个用 pygame 写的猜数游戏，其他的一些模型一般回复的内容都是 cmd 版本的。
