LLM（Large Language Model，大型语言模型）是一种基于深度学习的自然语言处理模型，旨在理解和生成人类语言。
它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。
LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。
本文假定你对一些类似 ChatGPT 的工具已有使用经验， 了解其中的强大和不足。
LLM 应用层面介绍
1、LLM 当前主要应用
通用问答类——基于OpenAI等做的套壳。（能做不限于创作、翻译、分析、摘要、预测）
领域搜索类——基于”数据库”做的垂直领域搜索。*
2、为什么需要开源的 LLM ？
隐私性
基于openai或其它第三方模型时对数据的控制性；AWS、Azure内的数据隐私性。
（随提供方政策）
精准性
当你不知道某件事的时候，生成的答案感觉是靠谱的，但不一定正确。
（GPT插件系统、可信数据源）
怎么验证这个正确性、提高服务的准确性，是需要提高的地方。
拓展性
单独使用 LLM 通常不足以创建一个真正强大的应用程序，真正的强大之处在于将它们与其他计算或知识来源结合起来。
（LLM训练成本）
后面会介绍基于语言模型的开发框架 LangChain。
3、LLM 应用优化方向
0.（模型架构改进）
1. 模型调参。（Fine-tuning：小规模的特定任务上继续训练）
2. 关键词拆分。（AutoGPT为代表的，用合理的架构让模型自动拆分关键词、更细使得精度提高）
LLM 应用实践
1. 单独部署使用开源 LLM
一种是用终端执行，另一种是用比较多的 Webui 可以直接与同一类LLM进行chat。
比如基于 ChatGLM 的 ChatGLM-webui（https://github.com/Akegarasu/ChatGLM-webui/），操作示例：https://www.cnblogs.com/farwish/p/17289475.html
比如基于 alpaca-7B-ggml 的 Serge（https://github.com/nsarrazin/serge），操作示例：https://www.cnblogs.com/farwish/p/17280159.html
等等。
2. 开源 LLM 与私有数据配合
LangChain 框架使从数据到 LLM 的各个部分都组件化，LangChain + LLMs 较为通用。
1）LangChain 与某一个 LLM 的结合。
## pip install langchain
## pip install gpt4all
from langchain import PromptTemplate, LLMChain
from langchain.llms import GPT4All# 下载语言模型
local_path = (
"./wizardlm-13b-v1.1-superhot-8k.ggmlv3.q4_0.bin" # 本地目标文件路径
)
import requests
from pathlib import Path
from tqdm import tqdm
Path(local_path).parent.mkdir(parents=True, exist_ok=True)
# 下载语言模型，官网 https://gpt4all.io
url = 'https://gpt4all.io/models/wizardlm-13b-v1.1-superhot-8k.ggmlv3.q4_0.bin'
# 1.
response = requests.get(url, stream=True)
# 2
with open(local_path, 'wb') as f:
for chunk in tqdm(response.iter_content(chunk_size=8192)):
if chunk:
f.write(chunk)
# 设置模版
template = """Question: {question}
Answer: Let's think step by step."""
prompt = PromptTemplate(template=template, input_variables=["question"])
# Verbose is required
llm = GPT4All(model=local_path, verbose=True)
llm_chain = LLMChain(prompt=prompt, llm=llm)
question = " What is cup ?"
llm_chain.run(question)
official doc：https://python.langchain.com/docs/integrations/llms/gpt4all
2）对文档作为知识源的查询提问。
考虑到 LLM 对理解文本的熟练程度，在这里是一个很好的工具。
```code
```
official doc：https://python.langchain.com/docs/use_cases/question_answering.html
3）其它-多模态方面
想尝试其他类型 AI 的, 比如多模态的, 可以在线进行体验：https://tool.offso.com/chatai
3. 其它：多模态方面
想尝试其他多模态 AI 的, 可以在线进行体验：https://tool.offso.com/chatai
这里不展开讨论，除了文生图、图生文、创造出优质内容，随着硬件等各方面提升、未来还会有更多场景涌现。
Other：https://gist.github.com/psychemedia/51f45fbfe160f78605bdd0c1b404e499
Link：https://www.cnblogs.com/farwish/p/17632893.html
标签：LLM,AI,本地化,模型,https,import,llm,com From： https://www.cnblogs.com/farwish/p/17632893.html