概述
GLM、ChatGLM的相关基础知识说明：
- GLM模型底层还是基于Transformer，因此其设计、优化都是围绕Transformer的各个组件的。从注意力层的掩码、位置编码等方面优化与设计。
- ChatGLM3/ChatGLM2的源码中，比如finetune、trainer等代码，其实是copy自HuggingFace，而且其使用流程与调用机制，与HuggingFace的开发流程是一致的。
- 对GLM-130B，ChatGLM千亿模型，ChatGLM-6B的区分不够清楚，这里给出说明：
- GLM-130B：于2022年8月由清华智谱AI开源放出。该大语言模型基于之前提出的GLM(General Language Model)，在Norm处理、激活函数、Mask机制等方面进行了调整，目的是训练出开源开放的高精度千亿中英双语稠密模型，能够让更多研发者用上千亿模型。
- ChatGLM千亿模型: 该模型是为了解决大基座模型在复杂问题、动态知识、人类对齐场景的不足，基于GLM-130B，引入面向对话的用户反馈，进行指令微调后，得到的对话机器人。
- ChatGLM-6B：于2023年3月开源。在进行ChatGLM千亿模型内测的同时，清华团队也开放出了同样技术小参数量的版本，方便研发者们进行学习和开发（非商用）。
ChatGLM对话模型的微调需要用到两个部分；一是已预训练的模型文件，二是ChatGLM的源码文件。
模型文件
在Huggingface平台下载到本地或直接用远程的文件。
已预训练的模型，其开发调用模式遵循Huggingface的开发规范。
微调
在github上托管的ChatGLM源码包中，详细的介绍了基于p-tuning的微调策略。
其源码模块中已经准备好了脚本文件 train.sh ，该文件包含所有相关的配置参数，根据微调后的配置调整脚本文件，一键运行即可。
微调并执行后，会保存并生成checkpoint-xxx文件。这就是新的权重超参数。
模型部署
有两种方式用来运行微调后的模型：
- 基于Huggingface的开发规范，将原模型超参数文件与微调后的超参数文件一起加载，并调用。
- 调整 web_demo.sh 文件中的路径配置，运行即可。
参考
ChatGLM2-6B微调视频讲解
基于第二代 ChatGLM2-6B P-Tuning v2 微调训练医疗问答任务
官方p-tuning微调文档