1. 引入

2023年3月份对NLP注定是一个不平凡的月份。

3月14日，OpenAI发布GPT-4
3月15日，清华大学唐杰发布了ChatGLM-6B
3月16日，百度发布文心一言

这些模型都是首发。ChatGLM的参数数量是62亿，训练集是1T标识符的中英双语语料。相比而言，GPT3的参数量级是1750亿，GPT4是100万亿（网传）。ChatGLM-6B作为该领域的低成本模型，值得一试。

2. 具体配置、运行步骤

下载代码

git clone https://github.com/THUDM/ChatGLM-6B
cd ChatGLM-6B

安装依赖

pip install -r requirements.txt

可以从requirements中看到，模型是基于pytorch的。
这会不会是说明NLP更多在用pytorch？该学点torch了。

下载模型

这里有点小坑，它给了两个下载链接，其中一个（https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/）只包括模型部分，还缺少相关的模型配置文件，单用这个没发运行。

推荐从HuggingFace下载模型（参考2），注意所有.bin文件，所有.py文件，所有.json等文件，都需要下载并放到某个目录（放在任何一个地方都可以，假设为 path_model ）。

修改代码

我们先用repo中给的测试代码来测试，需要将参考3处的代码，改为如下两行：

tokenizer = AutoTokenizer.from_pretrained(path_model, trust_remote_code=True)
model = AutoModel.from_pretrained(path_model, trust_remote_code=True).float()

这里的设置有两个目的：（1）配置模型所在的目录，这里假设为path_model （2）配置为CPU运行(将默认的GPU配置.half().cuda()改为CPU配置.float())。

运行测试

python cli_demo.py

本文实验环境为python3.10。

3. 运行效果

cli_demo运行后，可以在命令行接口进行简单的人机交互。效果如下

认识英文，能写代码

能进行简单的中文推理（虽然结果不对）和中文对话

运行时消耗大量的资源

内存使用了40.6G
CPU是30个逻辑核一起跑的

4. 自己写代码调用模型来运行

用如下几行代码，就能启动模型运行，并输出结果。对于需要换行的问题，也没法用cli_demo，只能用下面这种用法。

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("../chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("../chatglm-6b", trust_remote_code=True).float()
model = model.eval()

ques = '''
下面这段代码的功能是什么？
public String t(final Context context, final String str) {
    return K("getLine1Number", str).a("getLine1Number", new com.aaa.sensitive_api_impl<String>() { // from class: com.aaa.sensitive_impl
        public String e() {
            if (o.l(66666, this)) {
                return o.w();
            }
            try {
                com.aaa.sensitive_api_impl.c(GalerieService.APPB, r2, str);
                TelephonyManager a2 = a.a(context);
                if (a2 != null) {
                    return a2.getLine1Number();
                }
                return "";
            } catch (Exception e) {
                Logger.e("PPP.PhoneData", e);
                return "";
            }
        }

        }
    }, "");
}

'''

response, history = model.chat(tokenizer, ques, history=[])
print(response)

模型的输出为：

这段代码提供了一个名为`t()`的函数,它接受一个`Context`对象和一个字符串参数`str`。函数返回一个字符串,该字符串包含一个`getLine1Number()`方法的调用,该方法返回当前用户所在设备的电话号码。

具体来说,该函数通过以下步骤实现这个功能:

1. 从类`com.aaa.sensitive_impl`中获取一个名为`e()`的方法。
2. 将该方法重写为使用`K�$()`运算符调用`getLine1Number()`方法。
3.意外险用API的实现,该实现使用`a()`方法调用`getLine1Number()`方法,并将返回的结果返回给调用者 involvement(这里是函数`t()`的参数)。

模型对这些从APK逆向过来的代码，是有一点理解能力的。

5. 总结

本文给出了 ChatGLM-6B 在本地的配置使用步骤，cli的用法，自己写代码调用的方法与测试效果。

希望能有更多低成本的大模型能被开源出来！

参考：

https://github.com/THUDM/ChatGLM-6B
https://huggingface.co/THUDM/chatglm-6b/tree/main
https://github.com/THUDM/ChatGLM-6B/blob/main/cli_demo.py#L5

文章出处登录后可见！

已经登录？立即刷新

本地CPU运行ChatGLM-6B与测试过程记录

1. 引入

2. 具体配置、运行步骤

3. 运行效果

4. 自己写代码调用模型来运行

5. 总结

参考：

相关推荐